TaskEvolve

研究方向：任务级自进化——智能体自主产出可运行的任务 / 作品（游戏、软件、交互式内容），再通过试玩、反思与修复持续迭代，使任务本身成为进化的载体。

研究范畴

任务级自进化（task-level self-evolution）把「任务实例」而非模型参数、提示或数据当作进化的基本单位：智能体先生成一个可执行、可验证的产物（游戏、程序、交互式应用或仿真环境），再主动试玩 / 运行、诊断缺陷、修复并重新验收，形成生成—试玩—反思—修复的闭环。与 LogicEvolve（推理范式进化）、DataEvolve（数据进化）、EnvironmentEvolve（环境进化）相比，本方向关注的是成品层面的长期改进质量，以及经验如何跨任务沉淀复用。本方向涵盖：自然语言到可玩游戏的生成与迭代、Agent 原生引擎 / 可读写状态的交互环境、演化检查表与经验库、多角色对抗式开发（生成者与检验者分离）、基于执行反馈的自动修 Bug、递归自我改进的长程开发与经验内化。社区关注的核心问题包括：如何自动判定「能玩 / 可用」而非仅「能跑」、如何避免对少量测试用例过拟合、经验复用与模型能力内化的边界，以及长程迭代中的质量饱和、回退与评审主观性。

研究挑战

• 可玩性 / 可用性缺乏可自动验证的 ground truth，评审依赖模拟试玩与启发式检查。
• 迭代会过拟合少量测试用例，产生脆弱产物与交互泛化不足。
• 缺陷分层（规则冲突、数值失衡、关卡不可达、代码错误）需要不同的诊断与修复策略。
• 长程递归改进易出现质量饱和、能力回退与上下文膨胀。
• 经验复用与参数内化的接口尚不清晰，非参数化经验的可迁移性验证困难。

自研项目

• CLUB-benchmark (LogicEvolve) — 复杂逻辑推理的智能体评测与自进化平台，提供可程序化验证的任务族与生成器—验证器流水线，可作为任务级自进化的任务源与验收基线。
• EvolveLLM — 博士课题《Toward True ASI》承载仓库，含自进化机制综述与方法论沉淀。

相关工作

代码 / 框架

• VibeGame — 南大 & 南洋理工的 AI 原生游戏引擎与八角色 Agent 团队：Prompt-to-Game，试玩、反思、经验复用闭环
• Voyager — Minecraft 开放世界中的技能库自进化智能体
• Cradle — 通用计算机控制智能体的交互式任务执行框架
• SWE-agent — 面向代码仓库的自动修复智能体（Agent-Computer Interface）
• OSWorld — 真实操作系统交互任务的可执行评测环境
• Awesome-Self-Evolving-Agents — 自进化 Agent 资源合集（含经验 / 环境进化专题）

论文

• RSIGame: Autonomous Agentic Game Development with Recursive Self-improvement — 局部探索—诊断—改进循环 + 全局质量控制 + 经验内化，27B 组合超越 GPT-5.5 单次生成
• Voyager: An Open-Ended Embodied Agent with Large Language Models — 自动课程 + 技能库 + 迭代提示的开放式自进化（被引 1500+）
• Reflexion: Language Agents with Verbal Reinforcement Learning — 语言化反思驱动智能体自我改进（被引 1900+）
• Self-Refine: Iterative Refinement with Self-Feedback — 自我反馈迭代细化范式（被引 1800+）
• Cradle: Empowering Foundation Agents Towards General Computer Control — 通用计算机控制与交互式任务闭环
• JARVIS-1: Open-World Multi-task Agents with Memory-Augmented Multimodal LLMs — 记忆增强的开放世界多任务智能体
• Balrog: A General-Nonlinear Game Playing Agent — NetHack 长时程游戏智能体
• OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments — 真实环境中的开放式任务评测
• SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering — 执行反馈驱动的自动软件修复
• AgentBench: Evaluating LLMs as Agents — 多环境智能体能力评测基准
• WebArena: A Realistic Web Environment for Building Autonomous Agents — 可执行、可验证的长期交互环境