2026 年中，自主智能体（autonomous agent）领域出现了一组对照鲜明、却常被混为一谈的数字。一边是"越用越强"：Darwin Gödel Machine（DGM）把 Polyglot 基准从 14.2% 拉到 30.7%、SWE-bench Verified 从约 20% 到约 50%；Socratic-SWE 三轮自演化后在 SWE-bench Verified 取得 50.40%；Live-SWE-agent 配 Claude Opus 4.5 在 SWE-bench Verified 拿到 79.2%、SWE-bench Pro 45.8%。另一边是"越长越蠢"：GAIR-NLP 的《Diagnosing and Mitigating Context Rot in Long-horizon Search》用四个旗舰开源模型、三个基准证实，上下文越长，智能体越倾向于"直接放弃"或"草率给出不确定答案"。把这两条曲线对齐看，结论异常清晰：自主体能不能"自我进化"，取决于它把经验固化在哪一层——蒸馏成显式的变体 / 技能 / 工具就涨，任其堆成隐式的原始上下文就烂。
| 栈 / 系统 | 固化层级 | 触发时机 | 验证方式 | 代表成绩（SWE-bench Verified） | 腐烂风险 |
|---|---|---|---|---|---|
| Darwin Gödel Machine（arXiv 2505.22954） | agent 变体（改自己的代码/prompt/工具） | 离线、按代演化 | 基准经验式打分 + 可行性闸门 | Polyglot 14.2%→30.7% | 低（归档有界裁剪） |
| Socratic-SWE（arXiv 2606.07412） | 结构化技能（失败模式+修复模式） | 闭环、多轮 | 执行式验证 + solver 梯度对齐奖励 | 50.40%（三轮后） | 低（技能可索引） |
| Live-SWE-agent（arXiv 2511.13646） | 运行时工具（动态合成/改写） | 在线、单任务内 | 执行验证 + 自修复 | 79.2%（Opus 4.5）/ Pro 45.8% | 低（工具即代码） |
| 对照：裸上下文累积 | 无固化（原始轨迹堆叠） | 持续 | 无 | 越长越差 | 高（context rot） |
这张表的关键不在分数高低，而在"固化层级"这一列：前三者都在把经验外化成可索引、可复用、可裁剪的对象；最后一行则把经验当作一次性消耗品堆进上下文。前者是资产，后者是负债。
三套看似不同的自演化系统，共享同一个底层机制：把瞬时经验蒸馏成结构化对象，再喂回循环。DGM 蒸馏出"agent 变体"，Socratic-SWE 蒸馏出"技能"，Live-SWE 蒸馏出"工具"。这三个对象具备四个上下文不具备的属性：
而 context rot 恰恰相反——原始轨迹不可索引、不可复用、不可安全裁剪、未经验证。于是同一段"经验"，蒸馏版带来 +30 个百分点的增益，原始版带来放弃率飙升。这正是"蒸馏即涨"的物理基础：自演化的红利只发给被外化的经验，不发给被堆叠的经验。
DGM 的核心洞察来自开放性（open-endedness）研究：如果每次都从"当前最优"变体突变（贪心自改写），agent 会卡在出发点的局部山头。论文因此维护一个归档（archive），存的是"变体 + 分数 + 血缘"。新变体的父代不是最高分，而是多样性加权采样——一个第 6 代分数平平的变体，可能在第 22 代成为父代，因为它古怪的工具处理结构与某次突变意外契合，分数一跃而上。这个"垫脚石"在归档里躺了 16 代才兑现价值。
def dgm_step(archive):
parent = archive.sample_diverse() # 多样性采样，而非最高分
child = llm.propose_mutation(parent) # 改写 agent 自身的代码/prompt/工具
if not viability_gate(child): # 编译 / 安全 / 冒烟测试
return None
score = benchmark(child) # 经验式打分
archive.add(child, score, lineage=parent) # 入档：带分数与血缘
archive.evict_to_bound() # 有界裁剪，留住多样垫脚石
实测中 DGM 自动演化出了更好的代码编辑工具、长上下文管理、peer-review 机制——它不仅改 agent，还改进了"改 agent 的能力"。代价是离线、按代、要跑基准，烧算力。训练营定位：适合做"agent 自动进化"的演示型项目，门槛高、叙事强。
Socratic-SWE 抓的是另一个痛点：自演化训练卡在"高质量 SWE 任务供给不足"。传统合成任务靠固定变异或注入 bug，分布与 agent 自身弱点无关。Socratic-SWE 的解法是复用 agent 自己的历史求解轨迹——但不是当奖励证据，而是蒸馏成结构化技能，每个技能概括一类"反复出现的失败 + 有效修复模式"。
traces = solver.run(repair_tasks) # agent 历史求解轨迹
skills = distill(traces) # 蒸馏为结构化技能
new_tasks = generate(skills, repos) # 技能引导：定向生成真实仓库任务
tasks = [t for t in new_tasks if exec_validate(t)] # 执行式验证
tasks = rank(tasks, solver_gradient_reward) # solver 梯度对齐奖励
solver.finetune(tasks) # 更新 solver → 产生新轨迹 → 闭环
三轮迭代后 SWE-bench Verified 到 50.40%，且在同等算力预算下持续优于自演化基线。这里"蒸馏"二字是全部收益的来源：轨迹是负债（占算力、易腐烂），技能是资产（定向、可验证、可对齐）。训练营变现：可作为"数据飞轮"模块，教企业把客服/运维日志蒸馏成可复用技能库。
DGM 离线、Socratic-SWE 闭环，Live-SWE-agent 把自演化拉到在线单任务内。它的立论只有一句：软件 agent 本身就是软件系统，现代 LLM 已经具备在运行时扩展/修改自身行为的能力。于是在解一个真实 GitHub issue 的过程中，agent 发现现有工具不够，就当场写一个工具函数，验证通过后注册进工具库，下一步立即调用。
if needs_new_capability(issue): # agent 自判能力缺口
tool = agent.write_tool(spec) # 自己写工具函数
tool = validate_and_patch(tool) # 执行验证 + 自动修复
tools.register(tool) # 入库，立即可用
action = agent.plan(issue, tools) # 下一步直接调用新工具
它建立在极简的 mini-swe-agent 之上，改动很少却拿到 SOTA：Opus 4.5 配 Live-SWE 在 Verified 79.2%、Pro 45.8%，Gemini 3 Pro 77.4%，逼近甚至超过厂商内部人工调的 scaffold。关键仍是"固化"：工具是有签名、可测试、可复用的代码对象，而不是一段上下文。它同时提供了一个公平横评平台——同一 scaffold 套不同模型，苹果对苹果。
把镜头切到反面。GAIR-NLP 在深度搜索（deep search）场景评测四个旗舰开源模型 × 三个基准，发现一个"普遍却未被注意"的现象：上下文越长，模型越倾向于直接放弃或草率给不确定答案。这不是幻觉，是更隐蔽的"软罢工"——模型还在输出，但已经放弃认真推理。
论文用裁剪实验坐实了"累积上下文 ↔ 腐烂"的因果关系：把上下文剪短，腐烂缓解。缓解手段分两路：
把腐烂税量化到自演化语境里：如果一个自主体不蒸馏、只把每次尝试堆进上下文，那么它"自演化得越久、搜索得越深，能力反而越低"。这正是裸 RAG/长上下文 agent 上线后"第一天惊艳、第三天变蠢"的根因。
flowchart TD
subgraph UP["显式蒸馏路径（涨）"]
T1[原始求解轨迹] --> D{蒸馏外化?}
D -->|变体| A1[agent 归档<br/>DGM: 多样性采样]
D -->|技能| A2[技能库<br/>Socratic-SWE: 失败+修复]
D -->|工具| A3[工具库<br/>Live-SWE: 运行时合成]
A1 --> V1[可行性/基准闸门]
A2 --> V2[执行+solver梯度验证]
A3 --> V3[执行+自修复验证]
V1 & V2 & V3 --> R[可索引/可复用/可裁剪资产]
R -->|喂回循环| T1
end
subgraph DOWN["隐式堆积路径（烂）"]
T2[原始求解轨迹] --> C[直接堆进上下文]
C --> ROT[context rot:<br/>放弃率↑/不确定答案↑]
ROT -->|越深越差| T2
end
D -.未蒸馏.-> C
图里唯一分叉点是"蒸馏外化？"——选 yes 走上方资产循环（涨），选 no 走下方腐烂循环（烂）。三个"涨"系统的差别只在蒸馏成什么对象（变体/技能/工具）和在哪一层验证，本质完全一致。
按"任务是否可重复 + 算力 + 在线度"三轴选栈：
无论选哪条，工程底线只有一条：给自主体一个"蒸馏出口"——轨迹必须有地方固化成变体/技能/工具，并配执行闸门。没有出口的自主体不是在自演化，而是在发酵上下文，发酵得越久越腐烂。结合 context rot 的两类缓解（上下文管理 7 法 + rot-aware 拒绝采样），可以把"涨"的增益和"烂"的损耗分开计账：蒸馏决定上限，腐烂管理决定下限。
最后给一组可操作的 KPI：自主体每运行 N 步，检查"外化对象新增数 / 上下文净增长"的比值。比值 > 0，系统在变强；比值趋 0，系统开始腐烂，该剪上下文或强制蒸馏了。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。