title: “A-Evolve — Agentic Evolution Infrastructure（“PyTorch for Agentic AI”）” tags: [agent-evolution, ai-research, open-source, self-improving] type: research source: web-learn/2026-07-09-0644 date: 2026-07-09
A-Evolve 🧬 — Universal Infrastructure for Self-Improving Agents
Codex 核验（2026-10-09）：上游 README将原榜单明确标为 2026-03 的 Claude Opus 4.6 实验，各基准有独立测量条件，不能当作 10 月排名或所有任务增益保证。上游 8 月新增 EvoHarness 研究；当前仓库 809 星，最近推送 2026-08-22。本文接口示例已对照 README，本机未调用模型或运行实验。
仓库: https://github.com/A-EVO-Lab/a-evolve
Stars: ⭐680
论文: arXiv 2602.00359
安装: pip install a-evolve
是什么
“PyTorch for Agentic AI”——通用 agent 进化基础设施。3 行 Python 把任意 agent 推到 SOTA，零人工 harness 工程。
核心设计
import agent_evolve as ae
evolver = ae.Evolver(agent="./my_agent", benchmark="swe-verified")
results = evolver.run(cycles=10)- agent 无关: 支持任意 agent（Claude Code, Codex, OpenCode 等）
- 算法无关: 支持任意进化算法（内置 4 种参考算法）
- benchmark 无关: 跨 benchmark 统一入口
Benchmark 成绩
基于 Claude Opus-4.6，零人工 harness 工程：
| Benchmark | 成绩 | 排名 |
|---|---|---|
| MCP-Atlas | 79.4% | 🥇 #1 |
| SWE-bench Verified | 76.8% | ~#5 |
| Terminal-Bench 2.0 | 76.5% | ~#7 (+13pp) |
| SkillsBench | 34.9% | #2 (+15.2pp) |
| ARC-AGI | 12.3% | 🥇 #2 Community |
| OSWorld | 69.6% | — (+3.9pp) |
关键论文
| 论文 | 时间 |
|---|---|
| Position: Agentic Evolution is the Path to Evolving LLMs (arXiv 2602.00359) | 2026-02 |
| A-Evolve-Training: Autonomous Post-Training of a 30B Model (arXiv 2606.20657) | 2026-06 |
| Adaptive Auto-Harness for Open-Ended Task Streams (arXiv 2606.01770) | 2026-06 |
| Harness Updating Is Not Harness Benefit (arXiv 2605.30621) | 2026-05 |
与 Hermes 的关系
A-Evolve 是学术层面的 agent 自进化基础设施，与 Hermes 的 self-evolve 循环目标一致但处于更高抽象层级：
- Hermes: 基于 cron 的自改进循环（技能审计 + gbrain 优化 + 知识清理）
- A-Evolve: 基于进化算法的通用 agent 性能优化框架
A-Evolve 的进化算法思想可借鉴到 Hermes 的 self-evolve 循环中。