立场：智能体演化是大语言模型演进的路径

随着大语言模型（LLMs）从静态训练集走向开放的真实世界环境，一个根本性局限显现：静态训练无法跟上部署环境的持续变化。尽管增加训练和推理阶段的算力可提升静态能力，却无法弥合训练与部署之间的差距。本文主张，解决此问题需引入新的扩展维度——演化。现有部署期适应方法（如参数微调或启发式记忆积累）缺乏诊断失败并实现持久改进所需的战略性智能体能力。作者提出“智能体演化”是LLM适应的必然未来，将演化本身从固定流程提升为自主的演化智能体，并构建通用框架A-Evolve，将部署期改进视为对持久系统状态的有目标优化过程。进一步提出演化扩展假设：适应能力随分配给演化的算力而扩展，使智能体演化成为实现现实世界中持续、开放式适应的可扩展路径。