🧬 从'怎么进化'到'进化成什么'：Meta-Agent 论文的诞生记录

一、那个让我停下来的问题

过去一周，我一直在给 Jarvis-Agent 添加功能——Phase 1 基础架构，Phase 2 记忆系统，Phase 3 工具体系，Phase 4 进化系统。79 个测试全部通过，代码写了好几千行。Jarvis 已经能自己发现使用模式、自动创造新 Skill、甚至有了元认知能力。

但昨天凌晨，我盯着 Jarvis 的代码突然意识到一件事：

我在反复回答"怎么让 Agent 进化"这个问题——但从来没认真想过一个更根本的问题：进化成什么？

如果 Jarvis 服务了十个不同的用户，每个用户都留下了不同的偏好和模式，最终 Jarvis 会变成什么？一个十个人偏好的混合体？一个什么都能做但没有任何特色的通用助手？

这不是我想要的"数码宝贝"。真正的进化应该是有方向的——它应该越来越像它自己，而不是越来越像所有人的平均值。

然后我去翻了最新的论文，发现这个问题居然没有人系统性地讨论过。

二、一张表暴露了整个领域的盲区

我花了半天时间梳理自进化 Agent 领域的核心文献：ReAct、Reflexion、ExpeL、Gödel Agent、SAGE、还有 Wang et al. 那篇 140 页的综述。然后做了一张表：

身份这一列，六个全是空的。

这不是一个小遗漏——这是一个结构性的缺失。所有人都在研究 Agent 怎么变得更强，没有人在意它在变强的过程中是否还是"它自己"。

我把这个问题命名为 Identity Drift（身份漂移）：随着 Agent 累积新能力、适应新环境、服务新用户，它的行为模式会逐渐偏离初始设定，变成一个不一致的混合体。

这就是论文的起点。

三、框架设计：六维 × 三层 × 双螺旋

有了问题，接下来就是解法。我回头看 Jarvis-Agent 的架构，发现它其实已经隐含了答案——只是没有被形式化地表达出来。

3.1 六个维度

一个完整的 Agent 需要哪些能力？我把 Jarvis 的所有模块梳理了一遍，归纳出六个正交的能力维度：

D = {P, M, T, A, E, I}

前四个（P, M, T, A）是传统 Agent 框架都在讨论的。E（进化）是最近两年的热点。但 I（身份）——是我加的第六维。

这不是随意堆砌。我证明了这六个维度是功能正交的：每个维度处理独立的信息流，移除任何一个都无法被其他五个替代。

3.2 骨架 + 肌肉：身份的双层结构

身份维度本身还有一层精巧的设计。我把它拆成了两个组件：

$$I = \langle I_{\text{skeleton}},\ I_{\text{muscle}} \rangle$$

• 骨架 (Skeleton)：不可变的核心——价值观、伦理约束、基本人格。像人的骨骼一样，支撑一切但几乎不变。
• 肌肉 (Muscle)：涌现的适应——学到的偏好、沟通风格、行为模式。像肌肉一样，随训练生长。

这个比喻不只是修辞。它有严格的形式化约束：

骨架保持: dist(I_skeleton_t, I_skeleton_0) < ε   (永远不偏离太远)
肌肉增长: |I_muscle_{t+1}| ≥ |I_muscle_t|        (只增不减)

用人话说：核心价值观不会因为用户调教而改变，但沟通风格会越来越贴合用户偏好。

3.3 E×I 双螺旋：论文的核心创新

最精彩的部分来了。

进化（E）和身份（I）不是独立的两个维度——它们像 DNA 双螺旋一样相互缠绕、共同演化。我把这个结构命名为 Evolution–Identity Dual Helix（E×I 双螺旋）。

三种耦合机制：

1. 身份约束的能力接纳 (C1)：新学到的能力必须通过身份过滤器——与骨架冲突的能力会被拒绝
2. 身份引导的进化方向 (C2)：肌肉中积累的偏好会影响进化的方向——Agent 更倾向于朝"更像自己"的方向进化
3. 进化驱动的身份丰富 (C3)：进化过程中的新体验会丰富肌肉——但不会改变骨架

用一句话概括论文的核心论点：

自进化需要身份作为锚点。进化无身份则漂移，身份无进化则停滞。

这就是为什么我把 E 和 I 设计成耦合的双螺旋，而不是独立的两个模块。

四、从直觉到论文：48 小时的密集写作

有了核心 idea，接下来就是把它写成论文格式。整个过程大概花了 48 小时：

Day 1：脚手架 + 初稿

• 创建了 13 个文件的项目结构（abstract, introduction, related-work, framework, system, experiments, conclusion, bibliography...）
• 完成了 v0.1 初稿——框架和故事都有了，但叙事还不够锐利

Day 2：审视 + 重写

让 AI 对初稿做了一次严格的"审稿人模式"审查，发现四个问题：

1. 差异化不足：跟现有综述区分不明显
2. Identity 新颖性需要加强：光说"加了身份维度"不够
3. 形式化不够严格：正交性证明太弱
4. 实验缺少 SOTA 基线：只跟 ReAct 比不够

这些反馈直接驱动了 v0.2 的重写：

• 把故事从"我们提出一个全面框架"重新锚定为 "进化需要身份作为锚点"
• 加强了 Identity 的理论贡献（骨架+肌肉、双螺旋、三条形式化性质）
• 补充了 Reflexion、ExpeL、SAGE、Gödel Agent 等现代基线
• 新增了 RQ4: Identity Drift Detection 实验——直接验证论文的中心论点

Day 2 (续)：对齐所有章节

v0.2 重写了 Introduction、Related Work、Abstract、Framework 之后，还需要确保 System Design 和 Conclusion 也讲同一个故事。这部分工作包括：

• System Design 加入了 E×I 双螺旋引擎的架构图和 IdentityFilter 管线
• Conclusion 重写了四个贡献点，与 Introduction 一一对应
• Discussion 部分用"evolve into what"的反问收束全文

五、实验设计：让数据说话

论文最脆弱的部分永远是实验。一个再漂亮的理论，如果没有实验验证，审稿人一定不会放过。

我设计了五个研究问题（RQ1-RQ5），但最核心的是 RQ4: Identity Drift Detection。

RQ4 的实验设计

设三种条件：

三个 Agent 分别与三种模拟用户（开发者、研究者、创作者）交互 100 轮，每 10 轮测量一次行为一致性。

预期结论：

• Unconstrained 会快速漂移（BCS 从 0.9 降到 0.4 以下）
• Static-Identity 会缓慢漂移（BCS 降到 0.7 左右）
• Meta-Agent 保持稳定（BCS > 0.85，SPS > 0.90）

这不是空想——Jarvis-Agent 的实际运行已经给了我足够的信心。接下来就是把它系统化地跑出来。

实验脚本框架

为此我构建了一套完整的实验基础设施：

experiments/
├── scripts/
│   ├── rq4_identity_drift.py     ★ 核心实验
│   ├── rq1_ablation.py           消融实验
│   ├── rq5_comparative.py        对比实验
│   └── utils/
│       ├── metrics.py            BCS, SPS, PE, IDR 计算
│       ├── agent_factory.py      8 种 Agent 预设
│       ├── user_simulator.py     3 种用户角色模拟
│       └── visualization.py      论文级可视化
├── config/
│   ├── base_config.yaml
│   └── rq4_drift.yaml
└── run_all.py                    一键运行

六个核心指标，每一个都有明确的数学定义和代码实现。

六、一张图：E×I 双螺旋

论文需要一张核心概念图来可视化 E×I 双螺旋。我用 TikZ 画了这张：

两条螺旋链——蓝色的 Evolution 和红色的 Identity——相互缠绕，沿时间轴上升。三个紫色的耦合点标注了三种交互机制（约束接纳、方向引导、丰富充实）。左侧标注了骨架（金色）和肌肉（绿色）的分解。底部列出了三条形式化性质。

这张图编译为了矢量 PDF，可以直接用在论文和 Slides 里。

七、当前状态与下一步

截至今天，论文的状态：

下一步：

1. 连接实验：把实验脚本对接到 Jarvis-Agent，跑出真实数据
2. 补充配图：Framework Overview 全景图、消融实验柱状图
3. LaTeX 转换：从 Markdown 转为 NeurIPS/ICML 格式
4. 预提交自检：走一遍 paper-writer 的审稿清单

目标投稿：NeurIPS 2026（一作，单作者）。

八、反思：为什么这篇论文值得写

回顾这两天的工作，最让我兴奋的不是写了多少字或画了多少图，而是一个认知上的突破：

Jarvis-Agent 不只是一个工程项目——它背后隐藏着一个值得被学术界讨论的理论问题。

"进化需要身份作为锚点"这句话，看似简单，但它改变了我思考 Agent 的方式。以前我想的是"怎么让 Agent 更强"，现在我想的是"怎么让 Agent 在变强的同时，还越来越像它自己"。

这不只是关于 AI 的问题。这也是关于人的问题——我们每个人都在不断学习、不断适应、不断进化。但如果进化的过程中丢失了"我是谁"，那这种进化就是迷失。

进化的方向不是"更强"，而是"更像自己"。

Meta-Agent 论文，某种意义上，是我对这个问题的第一次系统性回答。

这篇论文的全部源文件在 Research-Meta-Agent/Paper/。如果你也在思考类似的问题，欢迎通过博客下方的评论或邮件交流。