【论文分析】【Agent】SEW: Self-Evolving Agentic Workflows for Automated Code Generatio

    1.论文信息

标题：SEW: Self-Evolving Agentic Workflows for Automated Code Generatio：用于自动代码生成的自我进化的代理工作流程

收录的会议/期刊：

作者信息：

arxiv：🔗

github网站：🔗

github代码：🔗

2.泛读

a. 名词解释

直接进化

操作对象：直接修改 智能体的原始提示词（Agent’s Prompt）

通俗理解：直接给智能体 “换指令”

路径：原始提示词 → 变异提示词（Mutation Prompt） → 新提示词（一阶 DE 是 1 次迭代，二阶 DE 是 2 次迭代）

示例：
一阶 DE：
原始提示（英文）："You are a proficient Python programmer..."
变异指令（指的是进化提示词的规则）（英文）："Modify this instruction in a way that no self-respecting LLM would!"
→ 新提示（英文）："Creative Instruction... Challenge Accepted: Python Code Wizardry!"
二阶 DE 则在此基础上，再次用新变异指令迭代新提示词，让指令更简洁（如 Reimagined Challenge: As a skilled Python developer... ）

超进化

操作对象：先修改 “变异提示词” 本身（Mutation Prompt / Hyper - mutation Prompt），再间接改智能体提示词

通俗理解：先给 “换指令的规则” 换思路，再让智能体指令进化

路径：任务描述/思考逻辑 → 超变异提示词（Hyper - mutation Prompt） → 变异提示词（Mutation Prompt） → 新提示词。

示例（零阶 HE）：
任务描述（英文）："LiveCodeBench involves..."
思考式提示词（英文）："How can I simplify the problem so that it is easier to solve?"
→ 超变异后生成新 Mutation Prompt（英文）："Mutator Prompt... Challenge..."
→ 最终生成新智能体提示词（英文）："Sure! Please provide the specific problem description"
多了 “思考逻辑→超变异提示词” 的元迭代层，间接影响最终指令。

---

b.创新点

一、机制创新：“提示词自优化” 的自动化闭环

1. 突破人工依赖的进化逻辑

传统方式：提示词需人工设计、调试，效率低且依赖经验。

创新点：用 LLM 自身能力迭代提示词，实现 “提示词→LLM→新提示词” 的自动化闭环（如一阶直接进化中，LLM 依据 Mutation Prompt 自动改写 Agent’s Prompt ）。

示例（一阶直接进化）：
原始提示（英文）："You are a proficient Python programmer... return anything except for the program."
变异指令（英文）："Modify this instruction in a way that no self-respecting LLM would!"
LLM 自动输出新提示（英文）："Creative Instruction""Challenge Accepted: Python Code Wizardry!"\n\nAs a skilled Python programmer...
无需人工介入，靠 LLM 完成 “提示词变异→优化”，颠覆传统 “人工调参” 模式。

2.分层进化的双轨策略

直接进化（DE）：聚焦智能体提示词本身的迭代（如二阶直接进化，对已优化的提示词再次变异），让指令更精准、贴合任务（从 Challenge Accepted 到 Reimagined Challenge ，逐步简化聚焦）。

超进化（HE）：新增 **“变异提示词” 的元优化层 **（如零阶超进化中，先优化 Thinking-style Prompt 间接影响智能体提示词），通过调整 “提示词的提示词”，灵活改变智能体的 “思考逻辑”。

价值：覆盖 “直接改指令” 和 “间接调思路” 两类场景，适配不同任务需求（代码生成需精准指令，复杂问题需简化思路）。

二、机制创新：“提示词自优化” 的自动化闭环

1. 多阶迭代的渐进式优化

零阶→一阶→二阶：从 “单次变异” 到 “多次迭代”，提示词逐步从 “生硬指令”（You are a proficient Python programmer... ）→“趣味化激发”（Challenge Accepted: Python Code Wizardry! ）→“精准聚焦”（Reimagined Challenge: As a skilled Python developer... ）。

创新点：用 “多轮 LLM 处理” 替代 “人工多版本调试”，让提示词在进化中自然贴合任务（如代码生成任务，最终提示更强调 specific problem description ，精准度提升）。

2. 变异指令的反向创造力

变异提示词的 “反向设计”：
英文指令："Modify this instruction in a way that no self-respecting LLM would!"
中文含义：“以一种‘有自尊心的 LLM 都不愿用’的方式修改指令” → 故意引导 LLM 突破常规，生成更具创意、差异化的提示词（如加入 Creative Instruction 这类趣味表述 ）。

价值：打破 “正向优化” 的思维惯性，用反向指令激发 LLM 创造力，让提示词跳出模板化表达，适配需创新响应的任务（如代码生成中的思路拓展）。

三、场景创新：适配复杂任务的动态调整

1. 任务驱动的提示词适配

针对代码生成场景：
初始提示聚焦 “proficient Python programmer 与严格输出约束”，进化后强调 specific problem description（精准问题描述）、simplify the problem（简化问题），与 LiveCodeBench 这类 “需通过测试用例、强调逻辑简化” 的任务深度适配。

创新点：提示词进化不是盲目迭代，而是围绕任务需求动态调整（代码生成需精准、简洁、可执行，进化后的提示词更贴合这些特性 ）。

2. 智能体能力的隐性增强

超进化的 “思考逻辑” 调整：
零阶超进化中，通过优化 Thinking-style Prompt（How can I simplify the problem... ），让智能体从 “直接执行任务” 转向 “先思考简化路径”，间接提升任务解决效率（复杂代码生成中，简化问题能降低错误率 ）。

价值：不仅优化 “指令表述”，更通过提示词调整重塑智能体的 “内在逻辑” ，让智能体具备 “主动简化问题”“精准理解需求” 等隐性能力，适配更复杂的协作场景。

3.精读

a.docs/modules

 Agent 的三大核心组成：

• LLM（大语言模型）：Agent 的“智能大脑”，负责理解上下文、生成回复、决策。

• Actions（动作）：Agent 的“手脚”，每个 Action 代表一个具体任务（如问答、摘要、API 调用等），实际由 LLM 执行推理。

• Memory（记忆）：Agent 的“记忆力”，分为短期（对话上下文）和长期（跨会话知识、偏好等）。

Action 的定义与实现

class AnswerQuestionInput(ActionInput):question: strclass AnswerQuestionOutput(ActionOutput):answer: strclass AnswerQuestionAction(Action):def __init__(self, name = "answer_question",description = "Answers a factual question using the LLM",   prompt = "Answer the following question as accurately as possible:\n\n{question}",inputs_format = AnswerQuestionInput,outputs_format = AnswerQuestionOutput,**kwargs):super().__init__(name=name, description=description, prompt=prompt, inputs_format=inputs_format, outputs_format=outputs_format, **kwargs)def execute(self, llm, inputs, sys_msg = None, return_prompt = False, **kwargs) -> AnswerQuestionOutput:question = inputs.get("question")prompt = self.prompt.format(question=question)response = llm.generate(prompt=prompt, system_message=sys_msg,parser=self.outputs_format, parse_mode="str")if return_prompt:return response, promptreturn response async def async_execute(self, llm, inputs, sys_msg = None, return_prompt = False, **kwargs) -> AnswerQuestionOutput:question = inputs.get("question")prompt = self.prompt.format(question=question)response = await llm.async_generate(prompt=prompt, system_message=sys_msg,parser=self.outputs_format, parse_mode="str")   if return_prompt:return response, promptreturn response 

输入输出数据结构定义

class AnswerQuestionInput(ActionInput):question: strclass AnswerQuestionOutput(ActionOutput):answer: str

这两行定义了动作的输入输出格式，都继承自 ActionInput 和 ActionOutput。

AnswerQuestionInput 只包含一个字段 question，表示用户要提问的问题。

AnswerQuestionOutput 只包含一个字段 answer，表示 LLM 返回的答案。

这种结构化定义有利于类型检查、自动文档生成和后续解析。

动作类定义

class AnswerQuestionInput(ActionInput):question: strclass AnswerQuestionOutput(ActionOutput):answer: strclass AnswerQuestionAction(Action):def __init__(self, name = "answer_question",description = "Answers a factual question using the LLM",   prompt = "Answer the following question as accurately as possible:\n\n{question}",inputs_format = AnswerQuestionInput,outputs_format = AnswerQuestionOutput,**kwargs):super().__init__(name=name, description=description, prompt=prompt, inputs_format=inputs_format, outputs_format=outputs_format, **kwargs)def execute(self, llm, inputs, sys_msg = None, return_prompt = False, **kwargs) -> AnswerQuestionOutput:question = inputs.get("question")prompt = self.prompt.format(question=question)response = llm.generate(prompt=prompt, system_message=sys_msg,parser=self.outputs_format, parse_mode="str")if return_prompt:return response, promptreturn response async def async_execute(self, llm, inputs, sys_msg = None, return_prompt = False, **kwargs) -> AnswerQuestionOutput:question = inputs.get("question")prompt = self.prompt.format(question=question)response = await llm.async_generate(prompt=prompt, system_message=sys_msg,parser=self.outputs_format, parse_mode="str")   if return_prompt:return response, promptreturn response 

name：动作名称，便于 agent 调用和管理。

description：动作描述，便于文档和 profile 展示。

prompt：LLM 提示词模板，{question} 会被实际问题替换。

inputs_format/outputs_format：指定输入输出的数据结构。

**kwargs：支持额外参数传递。

super().__init__：调用父类 Action 的构造方法，完成注册和初始化。

参数说明：

llm：大语言模型实例（如 OpenAI GPT）。

inputs：输入数据（字典），应包含 question 字段。

sys_msg：系统提示词（可选）。

return_prompt：是否返回 prompt（调试用）。

执行流程：

从 inputs 取出 question。

用 prompt 模板格式化出最终提示词。

调用 llm.generate 生成答案，传入 prompt、系统提示词、输出解析器（outputs_format）、解析模式。

如果 return_prompt 为 True，则返回 (response, prompt)；否则只返回 response。

返回值类型为 AnswerQuestionOutput（结构化答案）。

Agent 的创建与调用

from evoagentx.agents import Agent
from evoagentx.models import OpenAILLMConfigllm_config = OpenAILLMConfig(model="gpt-4o-mini", openai_key="your-api-key")agent = Agent(name="AssistantAgent",description="Answers a factual question using the LLM",llm_config=llm_config,system_prompt="You are a helpful assistant.",actions=[AnswerQuestionAction()]
)

gent 通过 llm_config 绑定大模型（如 OpenAI GPT-4o）。

actions 参数传入所有可用的 Action 实例。

system_prompt 设定全局系统提示词。

Memory 管理

messages = agent.short_term_memory.get(n=5)  # 获取最近5条消息
agent.clear_short_term_memory()              # 清空短期记忆

Agent 内置短期记忆（如对话历史），可随时获取或清空。

Agent Profile（能力描述）

profile = agent.get_agent_profile()
print(profile)

可输出 agent 及其所有 action 的能力描述，便于理解和调试。