综述 | 自演化智能体作为动态图变换：统一图结构视角

论文题目：Self-Evolving Agents as Dynamic Graph Transformation: A Survey and New Perspective 作者：Yuanyuan Xu、Wenjie Zhang、Yin Chen、Xuemin Lin、Ying Zhang 机构：新南威尔士大学、悉尼科技大学、香港中文大学（深圳）、浙江工商大学 论文链接：https://arxiv.org/pdf/2608.18104 代码资源：Self-Evolving-Agents-with-Dynamic-Graph

导读

大语言模型智能体正在从一次性任务求解器，走向能够跨会话保留记忆、调用工具、习得技能、优化工作流并与其他智能体协作的长期系统。这样的智能体不再只有“当前提示词”和“模型参数”，还拥有持续变化的外部状态：哪些记忆被写入或遗忘，哪些工具变得可靠或失效，哪些技能被复用或更新，哪些工作流依赖被重连，哪些智能体之间形成通信关系。这些变化天然带有结构性和时间性。 这篇综述的核心观点是：自演化智能体可以被建模为动态图变换。论文将记忆、工具、技能、工作流和智能体关系表示为带类型的节点、边和子图，并用受模式约束的图重写操作描述插入、删除、更新、激活、传播与回滚。这样一来，原本分散在记忆更新、工具学习、技能进化、多智能体拓扑优化和安全治理中的方法，可以被放进统一结构框架下比较。 论文进一步把现有方法整理为四类图变换模式：节点与特征演化、边与拓扑演化、子图激活、跨组件协同演化；再把动态图学习中的九个方向映射到智能体基础设施能力，包括动态图表示学习、动态文本属性图、动态图生成、时间图持续学习、分布外泛化、时序知识图谱推理、动态图异常检测、动态图遗忘和时序图解释。对于构建长期运行、可审计、可回滚、可治理的智能体系统，这是一篇很有启发性的结构化综述。

I. INTRODUCTION：引言

研究背景

当前智能体能力已经覆盖长期记忆、工具使用、技能获取、工作流优化和多智能体协同。随着系统跨任务、跨会话、跨环境持续运行，其内部状态会不断被新证据、用户反馈、工具执行结果和外部环境漂移改写。问题不再只是“智能体能否完成某个任务”，而是“智能体的状态如何随时间改变，这些改变如何影响未来行为”。 已有研究大致形成三条线索。第一类是图智能体研究，关注知识图谱、工具图、规划图或记忆图如何支持智能体能力，但通常把图看作辅助结构，而不是持续演化的智能体状态。第二类是自演化智能体研究，关注反思、自训练、自奖励、经验蒸馏等机制，但对状态拓扑如何变化、依赖如何传播讨论不足。第三类是动态图学习研究，已有成熟的事件流建模、时间依赖学习、动态图生成与解释方法，但较少面向智能体状态演化问题。 论文认为，自演化智能体真正的难点在于结构耦合：一次记忆更新可能改变工具选择，一次工具失败可能触发工作流重写，一次通信异常可能影响多智能体拓扑，一次隐私删除请求也可能沿着证据链传播。因此，需要一个同时表达“组件、关系、时间、依赖、回滚”的统一形式。

核心贡献

本文贡献可以概括为五点。第一，提出把智能体演化形式化为动态图变换，用带类型的节点、边、子图表示记忆、工具、技能、工作流和智能体关系。第二，给出四类方法级分类，把现有四十六个代表性方法放入节点特征、边拓扑、子图激活和跨组件协同演化四个分支。第三，将动态图学习视为可复用的智能体基础设施，系统映射九类动态图学习技术与智能体演化能力。第四，提出图感知评估与治理视角，以补充只看最终任务结果的评测方式。第五，指出未来构建可靠、可审计、可控制自演化智能体需要解决的关键挑战。

II. PRELIMINARIES：预备知识

动态智能体图

论文把时间 $t$ 下自演化智能体系统的状态表示为动态图 $G(t)$。其中，节点、边、节点属性、边属性和标签都随时间变化。这个形式可以覆盖连续时间动态图、离散时间动态图、动态异质图和动态文本属性图等常见动态图类型。 在智能体场景中，节点模式通常至少包括四类对象。记忆节点表示可被检索、更新或遗忘的知识片段；工具节点表示外部可调用资源，包括接口模式、权限和执行历史；技能节点表示可复用能力；智能体节点表示具有角色、策略、记忆范围、工具权限和通信接口的自主或半自主执行者。 边模式则刻画组件之间的关系。依赖边描述状态、工具、技能和工作流之间的调用或约束；通信边描述智能体之间的信息交换；溯源边记录证据、更新来源和回滚路径。边也可以携带时间戳、有效期、激活状态和策略标签。

图条件智能体策略

动态图不是静态记录，而是会参与行动决策。给定用户查询、历史行为和被激活的支持子图，智能体选择回答、工具调用、工作流步骤或向其他智能体发送消息。也就是说，图状态只有在影响未来行动时才真正成为智能体能力的一部分。 这种表述让“检索什么记忆”“调用哪个工具”“执行哪条工作流”“向哪个智能体通信”都可以被理解为对动态图中相关子图的选择与使用。

图重写算子

论文用图重写操作描述演化过程。典型操作包括节点插入、节点删除、边插入、边删除、特征更新、节点合并、依赖传播和回滚。子图激活则被视为只读操作：它选择与当前任务相关的支持结构，但不直接提交状态变化。 更形式化地说，论文借鉴双推出图变换思想，用“匹配模式、保留接口、替换结构”描述一次合法重写。对于智能体系统，这意味着任何状态更新都应满足类型约束和模式约束；不合法的更新提议应被运行时拒绝；被接受的更新需要记录匹配位置、影响子图和证据来源，以便后续审计与回滚。

III. AGENT EVOLUTION AS DYNAMIC GRAPH TRANSFORMATION：智能体演化作为动态图变换

论文第三部分是全文的分类核心。作者将现有动态图或拓扑驱动的自演化智能体方法，组织为四种动态图变换模式：节点与特征演化、边与拓扑演化、子图激活、跨组件协同演化。

节点与特征演化

节点与特征演化关注单个组件如何随时间更新。记忆节点可能被插入、合并、压缩、修正或删除；工具节点可能记录新的成功率、失败模式、权限限制和输入输出模式；技能节点可能从经验中抽象出可复用程序；智能体节点也可能更新角色、策略偏好或能力边界。 这一分支的价值在于把各种局部自适应机制纳入统一视角。例如，长期记忆系统中的写入和遗忘，可以看作记忆节点的插入、删除和属性更新；工具学习可以看作工具节点可靠性和调用条件的更新；技能学习可以看作技能节点的生成与版本化。即使原方法没有显式使用图数据库，只要其状态可以被结构化表示，就可以映射为节点级图变换。 但节点级更新也有风险。若错误记忆被高置信度写入，之后可能长期污染检索；若工具可靠性估计没有时间有效期，系统可能在环境变化后继续依赖失效工具；若技能节点缺少适用条件，复用时可能造成上下文错配。因此，节点演化需要证据、时间和回滚机制共同约束。

边与拓扑演化

边与拓扑演化关注组件之间关系如何被重连。对于单智能体，工作流可以被看作步骤、工具、技能之间的依赖图；优化工作流就是调整控制边、依赖边和执行顺序。对于多智能体，通信结构、角色分工和协作拓扑也会动态变化；系统需要决定哪些智能体应连接、哪些消息应转发、哪些冗余角色应被剪枝。 这一视角能够解释很多“自优化”现象。比如，工作流搜索方法不只是生成提示词链，而是在改变任务执行图；多智能体通信优化不只是减少消息，而是在改变信息传播拓扑；工具或技能依赖建模不只是记录调用历史，而是在建立可用于预测失败、选择替代路径和定位影响范围的结构。 拓扑演化的关键挑战是稳定性。过度重连会造成系统行为不可预测，错误边可能让失败沿工作流传播，通信拓扑过密会增加成本和噪声，过稀则会损失必要协同。因此，论文强调边级更新应与任务反馈、安全规则和审计记录绑定。

子图激活

子图激活关注在特定任务中选择哪些状态结构参与推理或执行。智能体不可能每次都使用完整历史图，而需要从记忆、工具、技能、工作流或智能体团队中激活一部分相关子图。 论文将子图激活分为两类。第一类是证据激活，即从记忆图或知识结构中选择支持当前回答的证据子图，重点是相关性、时效性和可追溯性。第二类是执行激活，即选择完成任务所需的工作流、技能组合、工具链或多智能体团队，重点是可执行性、资源约束和协作效率。 子图激活的好处是让智能体具备结构化注意力：它可以避免把所有历史都塞进上下文，也可以减少无关工具和无关智能体带来的干扰。风险在于漏选关键证据、激活过期结构或选择带有隐私风险的子图。因此，激活过程本身也应被记录和评估。

跨组件协同演化

跨组件协同演化是最接近真实长期智能体系统的情况。一次局部更新可能触发连锁反应：新记忆改变工具选择，工具失败触发工作流改写，工作流改写要求新技能适配，多智能体协作失败又反过来改变通信结构和角色分配。 论文把这种过程看作跨组件级联重写。相比单点更新，级联更新更能表达真实智能体系统的依赖关系，但也更难治理。系统需要知道哪些节点和边受到影响，哪些变化应自动传播，哪些变化需要人工确认，哪些变化必须回滚。 安全触发传播是这一分支的重要场景。当系统发现有害工具调用、提示注入、错误证据或隐私删除请求时，不能只删除单个记录，而应沿溯源边和依赖边追踪受影响子图，更新后续工作流、缓存、记忆摘要和评估记录。动态图视角使这种影响范围分析变得自然。

四类模式的统一理解

四类模式并不是彼此割裂的。节点更新提供状态对象，边拓扑决定依赖结构，子图激活决定当前任务使用哪些结构，跨组件协同演化刻画长期运行中的级联影响。对于自演化智能体来说，真正重要的是在这四层之间建立闭环：更新要有证据，激活要可追踪，传播要受约束，失败要可回滚。

IV. DYNAMIC GRAPH LEARNING AS AGENT INFRASTRUCTURE：动态图学习作为智能体基础设施

论文第四部分进一步提出，动态图学习不只是相关背景，而可以成为自演化智能体的基础设施。其作用不是替代大模型，而是在智能体状态层提供表示、预测、生成、诊断、遗忘、解释和治理能力。

九类能力映射

动态图表示学习可以编码随时间变化的节点、边和事件流，帮助智能体预测记忆有效性、工具可靠性、技能适用性和关系变化。动态文本属性图表示学习则进一步结合文本语义和图结构，适合处理记忆内容、工具说明、任务描述和通信消息都带有自然语言属性的智能体状态图。 动态图生成可用于提出候选重写方案，例如生成新的工作流拓扑、工具链、技能组合或多智能体协作结构。时间图持续学习帮助系统在状态不断变化时保留旧能力并吸收新经验，避免每次更新都造成灾难性遗忘。动态图分布外泛化则对应工具、环境、用户需求和任务域发生漂移时的稳健适应。 时序知识图谱推理可以支持带时间有效性的事实检索和关系预测，避免智能体使用过期事实。动态图异常检测可以发现异常工具调用、异常通信模式、异常依赖传播和潜在攻击路径。动态图遗忘面向隐私删除、合规遗忘和错误状态清除，要求系统不仅删除单点数据，还处理相关派生结构。时序图解释则为审计提供依据，回答“哪些历史事件、节点、边和子图导致了当前决策或更新”。

对智能体系统的意义

这套映射把自演化智能体从“经验堆积系统”推进到“结构化状态管理系统”。在这种系统中，动态图学习负责维护和分析状态结构，大模型负责语言理解、计划生成和行动决策，两者通过激活子图和重写提议连接。 从工程角度看，这也提供了更清晰的系统分层。底层是时间化图存储和事件日志，中层是动态图表示、生成、异常检测和解释模块，上层是智能体策略与任务执行。这样的分层有助于做版本管理、影响范围分析、回滚、权限控制和持续评测。

V. GRAPH-AWARE EVALUATION AND GOVERNANCE：图感知评估与治理

图感知评估

传统智能体评测主要看最终答案或任务成功率，但自演化系统还需要评估中间结构是否正确。一个正确答案可能来自过期记忆，一个成功工具调用可能依赖未经授权的状态，一个高分工作流可能在长期运行中积累不可审计的隐性依赖。 图感知评估因此关注状态变化本身：记忆是否被正确写入，工具可靠性是否被合理更新，工作流拓扑是否减少了无效步骤，通信结构是否提升协作效率，激活子图是否包含必要证据，级联更新是否影响了正确范围。这类评估可以补充端到端任务指标，让系统开发者看到智能体“为什么变成现在这样”。

时间无泄漏协议

动态图系统特别容易出现时间泄漏。如果训练、检索或评估时使用了未来状态，智能体可能在离线评测中表现很好，但真实部署时不可复现。论文强调应使用时间一致的快照和事件流协议，确保模型只能访问当时可用的图状态。 对于自演化智能体，这意味着记忆、工具统计、工作流版本、多智能体拓扑和评估标签都应带时间戳。评测时不仅要切分任务样本，还要切分状态演化历史，避免未来反馈提前进入当前决策。

隐私删除与状态遗忘

长期智能体会保存用户偏好、交互记录、工具输出和派生摘要，因此隐私删除不是简单移除一条文本。若某条记忆被用于生成摘要、训练技能、更新工具可靠性或影响工作流选择，就需要沿着溯源边追踪派生影响。 动态图遗忘为这一问题提供了结构化语言：定位目标节点或边，识别受影响子图，删除或修正派生结构，重新计算必要属性，并记录遗忘证明。对于公众号读者来说，这一点尤其值得注意，因为未来智能体治理很可能围绕“状态可删除、影响可追踪、结果可证明”展开。

安全、回滚与审计

自演化智能体的安全问题往往不是一次回答错误，而是错误状态被长期保留并继续影响后续任务。图视角可以将执行轨迹、工具调用、记忆更新、通信消息和工作流版本串成可审计依赖图。 当系统检测到异常时，可以基于图结构做三件事。第一，定位故障来源，例如某个工具节点、某条通信边或某个过期记忆节点。第二，分析影响范围，判断哪些后续状态被污染。第三，执行受约束回滚，将相关节点、边和属性恢复到安全版本，同时保留审计日志。

开放问题

论文指出，动态图视角仍有多项挑战。首先，智能体状态图的模式设计尚未统一，不同系统对记忆、工具、技能和工作流的抽象粒度不同。其次，长期运行会导致图规模快速增长，需要可扩展存储、检索和压缩机制。第三，图状态与大模型隐式推理之间如何对齐仍不清楚，模型可能根据上下文做出没有显式图证据支持的决策。 此外，系统还需要平衡稳定性与可塑性。演化太慢会无法适应新环境，演化太快又会造成行为漂移。最后，当前缺少面向动态图状态演化的标准基准、治理协议和审计工具，这限制了不同系统之间的公平比较。

VI. CONCLUSION：结论

这篇综述提供了一个紧凑但有力量的结构化视角：自演化智能体不是一组松散的记忆、工具、技能和工作流模块，而是一个随时间持续被重写的动态图系统。用动态图变换描述智能体演化，可以统一局部状态更新、拓扑重连、任务子图激活和跨组件级联传播，也让评估、隐私删除、安全回滚与审计变得更加可操作。 对于未来智能体系统建设，本文的启发在于：真正可靠的自演化不应只追求更强的反思或更高的任务成功率，还要能解释状态从哪里来、为什么被激活、如何影响决策、出错后怎样回滚。动态图学习与大模型智能体的结合，可能会成为长期自主系统走向工程可靠性和治理可控性的关键路线。