编程智能体，险些成为了 2025 年最热点的话题之一。不管是学术机构仍是工业界，都正在寻找更高效的落地途径。

　　呆板进修周围的汗青经历讲明，手工打算的治理计划最终会被进修到的治理计划所代替。咱们好奇一个题目：智能体自身是否能够通过涌现新的提示计划或东西，无需人为打算和奉行，就自帮点窜和纠正我方的代码？

　　2024 年，《Automated Design of Agentic Systems》(Hu et al., 2024) 一文率先考试了行使元智能体来优化智能体杀青，将智能体体例自愿打算（ADAS）这一周围往前推了一步。可是，该商量并未寻求「自我纠正」，由于个中有两个独立的智能体：实行做事的方向智能体和纠正方向智能体的元智能体。

　　而来自布里斯托大学和 iGent AI 的商量者以为，统统自我参照式的元智能体编程式样正在本日是可杀青的，并供给了一种合理的替换计划。

　　自我纠正编码智能体（SICA）祛除了元智能体和方向智能体之间的区别，可以编纂我方的代码库，正在本钱、速率和基准功能方面实行自我纠正。

　　自我参照智能体可有用纠正自己的杀青。商量者涌现，假使酌量到安然体限和资源结果，正在 SWE Bench 验证的随机子集上，功能也能抬高 17% 到 53%。

　　商量者与社分别享了自我纠正编码智能体（SICA）的杀青。SICA 是用尺度 Python 杀青的，没有特定周围的发言，它为构修新的 SICA 体例供给了一个参考智能体框架，也为那些寻求正在东西行使和其他智能体做事方面临 LLM 实行后演练的人供给了一个参考智能体框架。

　　第一步，SICA 从存档落挑选到目前为止显露最好的智能体动作元智能体，指示元智能体查看存档，确定纠正计划并加以奉行。

　　请预防，这与 ADAS 区别，ADAS 有一个固定的元智能体，因而不会从档案落选取元智能体（ADAS 中的档案是方向智能体档案，而不是元智能体档案）。

　　商量者用一个效用函数来界说功能「最佳」的智能体，该函数包蕴了一个卓绝智能体的合伙愿望值：尺度化基准功能分数 p_score ∈ [0，1]、以秒为单元的挂钟韶华 p_time，以及美元本钱 p_cost。基础效用的策画公式为

　　个中，商量者将系数设为 w_score = 0.5、w_cost = 0.25 和 w_time = 0.25。此处将每个题宗旨最差本钱设定为 10 美元，并划定 300 秒的超时常间，超时后将废止智能体。为了对超时前所做的作事赐与局部赏赐，按以下门径策画最终效用，超时处治为 τ = 0.5：

　　需求预防的是，因为不实行任何权重更新，这个数字分数只用于挑选下一个元智能体以及下一次迭代的根本智能体。

　　开始先容初始编码智能体，然后先容基准运转框架，以及该框架何如天然而然地承诺咱们创修一个自我参照做事（即纠正编码智能体）。

　　智能体上下文的机闭至闭首要，它包蕴掀开的文献实质等，而不光仅是提示。正在初始编码智能体中，上下文机闭如图 3 所示。

　　开始表现的是包蕴智能体界说的体例提示，列出了智能体可用东西的界说以及可移用的子智能体。体例提示的结果是体例音信，比方何如跳出智能体轮回并返回移用流程的表明。

　　接下来是「重心提示」，它被修设为闲谈模板体例中的第一条用户音信，包蕴呼唤者指定的要管理的题目陈述（呼唤者也许是移用智能体的用户，也也许是呼哨子智能体的智能体）。正在这里，商量者还插入了智能体已掀开文献的视图以及目今作事目次的默示。

　　结果，LLM 智能体上下文的其余局部是运转帮理音信。个中包蕴对题宗旨接连串推理、东西移用及其相应、子智能体移用及其相应，以及来自异步监视体例的任何知照或评论。

　　LLM 上下文以这种式样组织，承诺增加新实质，从而保存 KV 缓存，以淘汰东西移用之间的延迟和本钱。看待根本智能体，此处采用了一种轻易的计划，即文献编纂实质以分歧式子增加，并正在累积到肯定命目后按期从新归并到老套文献视图中。智能体能够编写更杂乱的 KV 缓存生存计划，以低重本钱。

　　商量者开始呈现了正在基准凑集包蕴相对长周期做事的运转，挑选了 SWE Bench Verified，蕴涵测试题目领会、代码导航以及火速高效的文献编纂，商量者从落选取了 50 个题宗旨固定随机子集；他们还从 LiveCodeBench 中随机抽取了 50 个题目，这些题目好像于竞技编程，往往包蕴更多表面推理。另表，商量者还挑选了两个「合成」基准做事示例，它们统统是正在智能体的代码库中界说和筹办的。

　　大大批智能体中行使 Sonnet 3.5 (v2) (Anthropic) 运转智能体体例，只要一个「推理智能体」行使 o3 mini。结果如图 3 所示，更精确的迭代级功能数据见表 1。

　　结果数据显示了令人激动的发达。正在文献编纂基准测试中，智能体最初只具备遮盖文献的才力，这不光速率慢，并且 token 结果低下，但它很速就杀青了基于分歧和畛域的自称「智能」的编纂东西；正在符号导航做事中，智能体正在第 9 次迭代时奉行了基于 AST 的轻易符号定位器（也许是诈欺了基准测试首要基于 Python 的结果），博得了优良的纠正，这也反响正在其他做事中。LiveCodeBench 的得分也有微幼抬高，但不如其他少少基准测试明白。

　　商量者还评估了自我参照智能体体例正在抬高推理才力较强的周围的做事功能方面的有用性。他们行使基准凑集的两个题目解答做事实行了另一项实践： 图 4 显示了实践结果。这里的结果显示纠正较少，并优秀了根本模子和「脚手架体例」之间的首要互相效率。

　　图 4 中迭代 0 的根本智能体体例行使 Sonnet 3.5，「推理」子智能体行使 o3-mini。o3-mini 模子自身正在 AIME 和 GPQA Diamond 上的得分分歧为 87% 和 79%，拥有「高」推理才力，而全部智能体体例正在这两个基准测试中的均匀得分为 76%。

　　通过窥探轨迹，商量者涌现，正在很多运转中，主智能体只是将题目委托给基于 o3-mini 的推理智能体，并没有充足诈欺智能体体例的一共才力。看待 o1、o3-mini 或 DeepSeek-R1 等「推理模子」，商量者思疑列入旨正在诱导推理动作的毛糙组件（如图 4 中迭代 4 和 6 中的组件）实践上也许会打断正在智能体体例以表演练的推理模子的推理思想链，从而导致功能降落。