💬 NLP

SEW: Self-Evolving Agentic Workflows for Automated Code Generation

该论文提出了名为 SEW 的自进化框架，通过自动设计和优化多智能体工作流来解决现有方法依赖人工设计的局限性，并在 LiveCodeBench 等基准测试中显著提升了代码生成性能。

原作者： Siwei Liu, Jinyuan Fang, Han Zhou, Yingxu Wang, Zaiqiao Meng

发布于 2026-04-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Siwei Liu, Jinyuan Fang, Han Zhou, Yingxu Wang, Zaiqiao Meng

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一个名为 SEW (Self-Evolving Agentic Workflows，自进化智能体工作流) 的新系统。为了让你轻松理解，我们可以把“让 AI 写代码”想象成开一家高科技餐厅。

1. 现状：传统的“单兵作战”与“死板菜单”

以前的做法（单一大模型）： 就像你只雇了一位超级大厨。你告诉他：“做一道宫保鸡丁。”他可能会做出来，但如果任务太难（比如“做一道融合菜，还要考虑 50 种客人的过敏史”），这位大厨可能会手忙脚乱，或者做出来的菜味道不对。
现在的做法（多智能体系统）： 现在的研究开始把厨房分成几个部门：有人负责切菜（任务解析），有人负责炒菜（代码生成），有人负责试菜（代码审查）。这确实比一个人强。
- 痛点： 但是，目前的这些“厨房团队”是人工设计的。就像餐厅经理（人类）必须手动画好流程图：“先切菜，再炒菜，最后试菜”。如果今天要做“分子料理”，明天要做“火锅”，经理得重新画一遍流程图，还要重新给每个厨师写“操作手册”（提示词/Prompt）。这太慢了，而且经理可能画得不够好，导致团队效率不高。

2. 解决方案：SEW —— 一个“会自我进化的餐厅”

SEW 的核心思想是：别让人类经理画流程图了，让 AI 团队自己进化出最好的工作流程！

想象一下，SEW 是一个拥有“进化论”能力的超级餐厅系统：

第一步：自动组建团队（工作流生成）

SEW 接到任务（比如“写一个计算平方和的 Python 程序”）后，它不会直接找厨师，而是先自动生成一个初步的团队结构。

它可能会尝试用不同的“语言”来描述这个团队结构，比如：
- BPMN： 像画流程图一样（方框和箭头）。
- Python/YAML： 像写代码或配置文件一样。
- CoRE： 一种混合了自然语言和伪代码的新语言（论文发现这个最管用）。
比喻： 就像餐厅经理先草拟了 5 种不同的厨房布局方案。

第二步：自我进化（工作流进化）

这是 SEW 最厉害的地方。它不会死守最初的方案，而是开始**“变异”和“进化”**。

直接进化 (Direct Evolution)： 就像厨师长直接修改操作手册：“下次切菜时，先切洋葱再切肉，顺序反过来试试！”
超进化 (Hyper Evolution)： 这更高级。它不只是改操作手册，而是先修改“如何修改操作手册”的规则。就像它先发明了一种“更聪明的修改指令”，然后用这个新指令去优化团队结构。
比喻： 餐厅团队在试菜过程中发现：“哎呀，如果让‘试菜员’在‘炒菜’之前先尝一下生肉，能省很多时间！”于是，系统自动把流程从“切->炒->试”变成了“切->试->炒”。它通过不断的“试错”和“自我优化”，找到了最高效的协作模式。

第三步：给每个员工发“超级秘籍”（智能体进化）

有了好的团队结构，SEW 还会给每个具体的“员工”（智能体）升级他们的提示词（Prompt）。

普通的提示词可能是：“你是一个 Python 程序员。”
SEW 进化后的提示词可能是：“你是一个充满创造力、擅长处理边界情况、并且会像科幻作家一样思考的 Python 程序员。当遇到难题时，你要先想象一个‘无限画布’的世界……"
比喻： 以前给厨师的指令是“把肉炒熟”，进化后的指令是“用一种能激发味蕾的魔法，把肉炒得外焦里嫩，同时考虑客人的心情”。这让每个员工都变得更强。

3. 实验结果：它真的有用吗？

研究人员在三个著名的“编程考试”（LiveCodeBench, HumanEval+, MBPP）上测试了 SEW。

成绩： 使用 SEW 的 AI 团队，比只用一个顶级 AI 模型（单一大厨）做对了多 12% 的题目。
关键发现：
1. CoRE 语言最好： 在描述工作流程时，用 CoRE（一种混合语言）比用纯代码或纯流程图更让 AI 听得懂，也更容易进化。
2. 结构 + 提示词双管齐下： 仅仅改变团队结构（谁先谁后）就有提升；如果再加上给每个员工升级“秘籍”（提示词），效果更是锦上添花。
3. 稳健性： 有些进化方法（如超进化）虽然不一定每次都能拿满分，但非常稳定，很少翻车；而有些方法（如直接进化）偶尔能爆发超高分，但波动较大。

4. 总结与比喻

如果把代码生成比作建造一座摩天大楼：

传统方法： 人类建筑师画好图纸，然后指挥一群机器人按图施工。如果图纸画错了，大楼就盖歪了。
SEW 方法： 你告诉机器人“我要一座摩天大楼”。
1. 机器人先自己画了个草图（生成工作流）。
2. 然后它们开始自我演练：发现“先打地基再盖楼”不对，应该是“先打桩再打地基”，于是自动修改图纸（工作流进化）。
3. 同时，它们发现“泥瓦匠”的指令太简单，于是给泥瓦匠写了一本《如何把砖砌得完美无缺》的百科全书（提示词进化）。
4. 最后，它们用这套自我进化出的最佳方案，盖出了一座比人类设计更坚固、更漂亮的楼。

一句话总结：
SEW 让 AI 不再需要人类手把手教它“怎么分工”和“怎么说话”，而是让它像生物进化一样，自己摸索出最高效的团队协作模式和最聪明的说话方式，从而更完美地完成复杂的编程任务。

这是一份关于论文《SEW: Self-Evolving Agentic Workflows for Automated Code Generation》（SEW：用于自动化代码生成的自进化智能体工作流）的详细技术总结。

1. 研究背景与问题 (Problem)

现有挑战：大型语言模型（LLM）在代码生成任务中表现出色，但面对复杂编程任务时，单一 LLM（单智能体）往往难以胜任。
现有方法的局限性：
- 当前的多智能体系统（Multi-Agent Systems）通常依赖人工设计的工作流（Agentic Workflows）。
- 工作流的拓扑结构（Agent 之间的连接方式）和每个智能体的提示词（Prompts）都需要手动定制。
- 这种手动设计方式效率低下，且缺乏对不同编程任务类型的自适应能力（例如，机器学习任务的工作流与软件开发任务的工作流差异巨大，难以通用）。
核心问题：如何自动设计并优化多智能体工作流，使其能够适应不同的代码生成任务，而无需人工干预？

2. 方法论 (Methodology)

论文提出了 SEW (Self-Evolving Workflow)，这是一个能够自动生成并优化多智能体工作流的自进化框架。SEW 的核心思想是利用 LLM 作为“变异算子”，通过进化算法同时优化工作流的结构和智能体的提示词。

2.1 核心框架流程

SEW 包含三个主要模块（如图 2 所示）：

工作流生成 (Workflow Generation)：
- 基于任务描述和模板，利用 LLM 生成初始的默认工作流集合。
- 支持多种文本表示方案（见下文）。
工作流进化 (Workflow Evolution)：
- 利用 直接进化 (Direct Evolution, DE) 算子 $F(\cdot)$ 对初始工作流进行重构。
- 输入：初始工作流 $W_{def}$ + 变异提示词 $T_{mut}$ 。
- 输出：进化后的工作流 $W'$ 。
- 目标：优化工作流的拓扑结构（如增加、删除或重新排列智能体节点）。
智能体进化 (Agent Evolution)：
- 在优化后的工作流中，进一步优化每个智能体的提示词。
- 采用两种策略：
  - 直接进化 (DE)：直接将变异提示词应用于智能体提示词（一阶或二阶）。
  - 超进化 (Hyper Evolution, HE)：先利用“超变异提示词”或“思维风格提示词”优化变异提示词本身，再用优化后的提示词去改进智能体提示词。这旨在生成更具创造性或适应性的指令。

2.2 工作流表示方案 (Workflow Representation)

为了便于 LLM 理解和修改，论文探索并比较了五种文本表示方案：

BPMN (业务流程建模符号)
CoRE (代码表示与执行，结合自然语言、伪代码和流式编程)
Python 代码
YAML
伪代码 (Pseudo-code)

论文通过计算 逻辑成功率 (LSR) 和 生成成功率 (GSR) 来评估这些方案的有效性。

2.3 进化算子

直接进化 (DE)：直接修改智能体提示词。
- 一阶： $a' = F(a | T_{mut})$
- 二阶： $a'' = F(F(a | T_{mut}) | T_{mut})$
超进化 (HE)：先优化变异提示词，再优化智能体。
- 零阶：利用思维风格提示词 $T_{think}$ 生成针对任务的提示。
- 一阶：利用超变异提示词 $T_{hmut}$ 优化 $T_{mut}$ 。

3. 关键贡献 (Key Contributions)

工作流表示方案的系统评估：首次系统性地比较了 BPMN、CoRE、Python、YAML 和伪代码五种方案在 LLM 解释和优化工作流方面的有效性，发现 CoRE 是最佳方案。
从零开始的自动构建：不同于以往基于预定义算子组装智能体的方法，SEW 能够仅根据任务描述，从零开始自动构建完整的智能体工作流。
自进化工作流设计 (SEW)：提出了一种联合优化机制，LLM 能够同时改进工作流的结构（拓扑）和智能体的提示词，无需人工设计。
广泛的实验验证：在三个基准数据集（MBPP, HumanEval+, LiveCodeBench）上进行了大量实验，证明了 SEW 通过自进化能显著提升性能。

4. 实验结果 (Results)

数据集：LiveCodeBench (LCB, 最具挑战性), HumanEval+, MBPP。
基线模型：Claude Opus 4.6 和 GPT-5.3。
主要发现：
- 性能提升：SEW 在 LiveCodeBench 上相比仅使用骨干 LLM 提升了 12% 的 Pass@1 分数。
- 对比基线：SEW 的表现优于 Chain-of-Thought (CoT)、PromptBreeder、ADAS (自动设计智能体系统) 和 AFlow (基于蒙特卡洛树搜索的工作流生成)。
- 表示方案对比：
  - BPMN 具有最高的逻辑成功率 (LSR 91.5%)，但生成可执行代码的成功率 (GSR) 较低。
  - CoRE 在 GSR 上表现最佳 (80.5%)，综合来看是最有效的表示方案，因为它平衡了逻辑正确性和执行成功率。
- 进化策略对比：
  - 超进化 (HE) 表现出更低的方差和更高的鲁棒性，适合对稳定性要求高的场景。
  - 直接进化 (DE)（特别是二阶）在特定指标上能达到更高的峰值性能，适合追求极致性能的场景。
- 模块贡献：工作流进化模块负责生成新颖的拓扑结构，智能体进化模块通过注入高质量提示词进一步挖掘潜力。两者结合（协同进化）效果最佳。

5. 意义与结论 (Significance & Conclusion)

自动化与适应性：SEW 显著减少了对人工设计工作流和提示词工程的依赖，使多智能体系统能够自动适应不同类型的复杂代码生成任务。
方法论创新：证明了通过“自进化”机制（同时优化结构和提示词）可以超越传统的静态工作流设计。
最佳实践：研究确定了 CoRE 作为自进化智能体工作流的最佳文本表示格式，为未来的相关研究提供了重要参考。
局限性：目前主要验证于代码生成任务，泛化到其他 AI 任务（如推理、规划）尚需验证；生成的某些工作流虽然逻辑正确但可能无法执行，需要更 robust 的验证机制。

总结：SEW 是一个强大的框架，它利用 LLM 的自我进化能力，自动设计并优化多智能体协作流程，在代码生成任务上实现了显著的性能突破，为构建自适应、高效的 AI 智能体系统开辟了新路径。