Flide解耦决策请求的逻辑树与物理执行，精确分叉状态，最快提速9.5倍

基准分数掩盖智能体进化的任务回归、成本与泛化流失，诊断驱动的AGE算法实现更可靠的自我改进。

无需参数更新，TAL把教学视频固化成教程书记忆并用TOC检索，让冻结LLM持续学习

把多智能体提示拆成共享协调者+各自执行者，再用角色对齐指导优化，让现有提示优化器普遍变强

让6个前沿模型从新论文自提小实验、预测结果并排序，检验其研究品味

免训练递归智能体近乎攻破现有定理证明基准，并自动生成更难的代码验证任务集AEGIS

推理努力是信任品：最高档更贵且不保证更好，逐题梯度升级更划算

把自由形式工作流合成内化为主智能体的动作，仅训练主智能体即可学会何时及如何协作

把四类智能体进化方法拆成可组合算子，统一执行、评测与溯源，实现公平对比与可信实验。

提出记忆中心持续学习框架：三轴分类、双环生命周期、行为化评估与记忆缩放律

在强化学习的同时自适应 harness：生成机制级技能、演化工具与钩子，最终部署模型–框架对。

只存轨迹、按需合成指导并用后即弃，阻断错误在抽象中复现

在生成、交互、记忆三重预算约束下学习「哪条记忆值得用」，用更少token拿到更高成功率

用可复用任务对象替代交互历史组织长程上下文,提效同时大幅降低 token 开销

用预测损失引导的算子扰动构造困难隐变体，免新轨迹提升运行时故障预测

用智能体自身状态训练的小决策模型按置信度接管常规选择，成本降 81–89% 而成功率不降。

以语义动作为监督单元的黑盒在线蒸馏，让小模型 agent 对齐教师决策而非复刻词元

把假设、程序、证据与需求作为可继承状态演化，群体借彼此反馈与组件复用实现递归自我改进。

首个具身仿真持续学习基准，用组合泛化度量智能体的经验积累与迁移能力

用跨 DSL 同题配对实验首次量化 Agent 自蒸馏技能的真实复用价值