EvoAgent — 给 Skill 加上演化元数据

EvoAgent 是目前对 "自我改进 Agent 框架长什么样" 最具体的一个提案。它不把 skill 当作扁平的函数定义或者含糊的 "memory"，而是把每个 skill 建模成一个多文件结构化能力单元。每个 skill 都带触发元数据（什么时候该调用我）和演化元数据（我的版本、父代、存活率）。Skill 可以变异、分裂、被剪枝。Agent 就是种群。

架构把结构化 skill 学习和分层子 Agent 委派放在一起。顶层 Agent 拆解任务，选择调用哪些 skill，可以按子任务派生专用子 Agent。每个子 Agent 有自己的 skill 子集。这个层级模仿了人类拆解工作的真实方式——顶层战略、中间战术、底层执行——而演化元数据是防止 skill 库腐烂成一堆一次性代码片段坟墓的关键。

值得注意的是这个框架是通用的——没绑死在某个模型或某个任务类型上。贡献在于演化原语本身：触发规则、父代 skill、来自过去执行的适应度信号。跟同一周出的 SkillLearnBench 一起读，画面很清楚。社区终于从 "给 Agent 一份工具清单" 走到了 "为 Agent 工具集设计种群动力学"。

这是 90 年代遗传算法领域同样的认知跃迁——人们停止把变异当随机噪声，开始把它当作精心设计的算子。EvoAgent 在 Agent skill 上做这件事。https://arxiv.org/abs/2604.20133