Multi-Agent持续进化！EvoTeam群体协同发力

完成 100 个任务之后，一个Multi-Agent系统，究竟应该比完成第 1 个任务时成长多少？

如果第 101 个任务到来时，系统仍要重新摸索分工，反复出现相同的信息交接问题，那么过去的任务只是增加了执行次数，并没有让团队真正成长。

吉林大学联合上海人工智能实验室提出的 EvoTeam，正是要解决这一问题：让进化从单个 Agent 延伸到整个团队，使系统从会协作走向越协作越好。GPT-5.6慌了！27B的CUA-Master看教程自进化反超

一、持续工作，不等于持续进化

科研任务往往包含问题分析、方案设计、代码实现、实验验证和结果整合。单个 Agent 独立承担全部环节，需要频繁切换职责并管理大量上下文；多智能体系统则通过专业分工、并行执行和相互核验，整合不同 Agent 的能力。

但多个 Agent 参与，并不自动等于高效团队。固定角色若不能随任务调整，成员能力若不能沉淀，交接遗漏若反复出现，协作规模越大，组织成本反而越突出。

因此，多智能体系统的下一步，不只是让每个 Agent 更强，还要让团队组织与协作方式持续进化。

二、EvoTeam 同时进化三个层次

EvoTeam 将系统成长拆为相互关联的三个层次。

• Agent Skills 关注个体专业能力。Agent 从历史轨迹与任务反馈中积累可复用技能，在自己的职能方向上持续提升执行质量。

• Agent Teams 关注团队协作架构。随着任务需求与成员能力变化，系统调整候选成员和职责分工，让合适的 Agent 组成合适的团队。

• Interaction Rules 关注信息交接。团队从成功与失败中明确该向谁传递什么信息、提供哪些证据、完成何种验证，避免同类协作问题重复发生。

三个层次并非严格先后发生。个体能力增长会推动分工调整，团队变化会产生新的交接需求，交互暴露的问题也会反过来指导技能更新。个体成长由此转化为整个协作体系的成长。

三、团队成为经验积累与复用的载体

EvoTeam 维护全局 Agent Pool 和可持续更新的 Team Library，并通过三个阶段形成闭环。

面对新任务，系统先分析专业角色与协作要求，从团队库中选择或组建候选团队，实现 Adaptive Agent Team Composition。

执行过程中，对应团队积累的 Interaction Rules 指导信息交换与任务交接，也就是 Team-Scoped Collaboration。规则按团队独立维护，减少不合适的跨团队迁移。

任务结束后，系统依据轨迹与反馈开展 Multi-Level Experience Evolution：更新个体 Skills，反思团队配置，并创建、修订或保留交互规则。

其中，Skills 跟随 Agent，可以跨团队复用；成员配置与 Interaction Rules 归属具体团队，在协作需求相容的任务中持续积累。团队不再是一次性编排，而成为可复用、可进化的经验载体。

四、跨 Benchmark，团队也能继续成长

论文案例从 LoCoBench 的钱包地址校验重构开始，系统建立由 Context Analyst、Implementer 和 Verifier 组成的团队，分别负责依赖分析、代码修改与独立验证。

随后，团队复用到 BeyondSWE 的接口适配、异常处理及其他重构任务，持续积累接口兼容、行为保持与结果验证规则。第三个任务完成后，Integrator 被加入候选成员，以支持更广泛的跨组件整合。

过去任务不再只是历史记录，而是直接改善下一次组队与协作。

五、实验验证：协作进化带来实际增益

研究在 GAIA、LoCoBench、LOCA-Bench 和 BeyondSWE 上覆盖六项指标，并将不同 Benchmark 交错成连续任务流，检验异构环境中的持续进化能力。

混合任务设置下，EvoTeam 六项指标均取得最高分，平均分达到 59.58，相比 Meta-Team 的 55.55 提高 4.03 分。

消融实验进一步拆分了收益来源。GAIA 上，完整系统得分 77.00；移除交互规则后降至 67.00；进一步移除可复用团队后降至 61.00。LOCA-Bench 对应得分为 67.08、58.33 和 55.83，说明团队组织与交互规则都提供了实际贡献。

研究还使用 GPT-5.6-Luna 和 DeepSeek-V4.1-Flash 分别承担进化与评测。在 GAIA 和两个 LoCoBench 任务的六组比较中，跨模型与同模型进化的差距均不超过 4.00 分，展现出协作经验的跨模型迁移潜力。

EvoTeam: Multi-Agent Collaboration via Evolving Teams
https://github.com/DEEP-JLU/EvoTeam
https://arxiv.org/pdf/2610.39813v2