综述：将 LLM 智能体自我进化视为动态图变换

大型语言模型驱动的智能体正逐步演化为能够跨交互持续运行、自我进化的系统：它们维护记忆、调用工具、习得技能、修正工作流，并与其他智能体协作。这种持续演化使得智能体状态天然具备「结构化、动态化」的特征——实体、关系、属性、依赖乃至执行结构都会随新证据、反馈与环境变化而改变。

来自 arXiv 的一篇综述论文《Self-Evolving Agents as Dynamic Graph Transformation: A Survey and New Perspective》提出，应当将这种演化统一理解为「动态图变换」。作者将智能体状态建模为一个动态图：记忆、工具、技能、工作流、跨智能体关系被表示为带类型的节点、边和子图，并通过模式约束的重写规则进行更新。

研究动机

既有图智能体综述往往把图当作智能体功能的「支撑结构」，而非演化本身的发生地；而自我进化智能体的综述又聚焦于智能体层面的机制，鲜少讨论图拓扑的演化。两条研究脉络长期平行，缺少对「智能体状态—图拓扑」耦合机制的统一讨论。该文的核心贡献正是把这两条线连起来。

四类核心演化维度

基于上述建模框架，作者将现有动态图方法归纳为四个分类轴：

• 节点与特征演化：记忆条目的增删、工具调用的特征更新等；
• 边与拓扑演化：智能体间协作关系、工作流依赖的增删与重连；
• 子图激活：在执行过程中动态激活与组合特定子结构（如工具链、技能包）；
• 跨组件协同演化：记忆、工具、技能、工作流之间的相互影响与同步更新。

动态图学习作为基础设施

作者进一步提出，动态图学习可作为自我进化智能体的「可复用基础设施」，并将九个动态图学习子方向映射到具体的智能体能力上，分析其适配方式与潜在失效模式。这为研究者提供了从图视角出发设计智能体记忆与工作流的统一语言。

图感知的评估与治理

仅靠端任务指标难以衡量智能体内部结构的健康程度。论文还讨论了五类图感知评估与治理方法，例如对图规模的约束、子结构稳定性、依赖循环检测等，与传统的端任务评测形成互补。

整体而言，这篇综述为设计与治理自我进化智能体提供了一个紧凑的「结构化视角」，对从事智能体架构、记忆系统与多智能体协同工作的人员而言，具有方法论层面的参考价值。