🔖 论文标题：MetaAgent: Toward Self-Evolving Agent via Tool Meta-Learning
📅 发布时间：2025年8月1日
🌐 Arxiv ID：2508.00271
🔑 关键词：Agentic AI, Tool Meta-Learning, Self-Evolving Agent

✨ 亮点总结

MetaAgent 提出了一种全新的“自演化代理”范式，通过工具元学习（Tool Meta-Learning）机制，实现无需参数微调的持续自我进化。该系统仅依赖基础推理与求助能力，即可动态调用工具、自我反思并构建知识记忆，从而在多步推理与复杂知识发现任务中超越传统LLM和工作流代理，表现卓越，具备强泛化能力与实际应用前景。

📝 摘要翻译

本文提出 MetaAgent，一种以“做中学”为原则的代理式AI框架。该系统起始于最小化的工作流，仅具备基本推理与自适应求助能力。当遇到知识盲点时，MetaAgent会生成自然语言求助请求，并由工具路由器转发至合适的外部工具。在任务执行过程中，MetaAgent会持续进行自我反思与结果验证，并将经验浓缩为可迁移的文本，动态融入后续任务上下文中。与此同时，它还能通过管理工具使用记录，构建持久的内部知识库与工具体系，从而不断优化其推理与工具调用策略。实验结果表明，MetaAgent在多个复杂知识发现任务中，显著优于传统方法，展现出构建自演化通用代理系统的巨大潜力。

📌 研究背景

当前LLM虽在信息检索与问答任务中表现卓越，但在多步推理与复杂任务中的表现仍受限。传统RAG与静态工作流难以适应动态信息需求，亟需一种具备持续学习与工具使用能力的自适应智能体。

💡 研究动机

面对复杂知识发现场景，现有模型在推理链条管理与工具协同使用方面能力有限。作者希望通过“工具元学习”机制，使代理系统无需再依赖昂贵的端到端训练或专家设计的工作流，也能实现自我优化与泛化能力提升。

🚀 方法简介

MetaAgent采用最小初始设计，仅具备推理与自然语言求助能力。通过工具路由器自动匹配并调用外部工具（如搜索、代码执行等），不断执行“思考-求助-反思”的闭环过程。在每次任务后，系统会进行“自我反思”与“验证反思”，提炼经验写入动态上下文，同时构建“内部工具库”，作为长期知识记忆，从而逐步进化为专家级智能体。

📊 实验设计与结果：

作者在GAIA、WebWalkerQA与BrowseCamp三大复杂知识发现基准上对MetaAgent进行评估，并与多种强基线（包括ReAct、Search-o1、WebThinker等）进行比较。在无需微调的前提下，MetaAgent显著优于所有工作流代理，并在多个任务中超越端到端训练模型，展示出强大的可迁移性、推理能力与自我演化能力。

🔍 本帖由AI整理生成，若有错误欢迎指正！
👉🏻 如果喜欢，请关注我，每天带你速览AI领域前沿论文！ ❤️