MetaAgent: Toward Self-Evolving Agent via Tool Meta-Learning
Hongjin Qian, Zheng Liu
本文提出MetaAgent，这是一种受"做中学"原则启发的智能体范式，通过实践和持续自我改进来发展专业技能。MetaAgent从最小化工作流开始，仅具备基本推理和自适应求助能力。当遇到知识缺口时，MetaAgent会生成自然语言求助请求，这些请求会被专用的工具路由器路由到最合适的外部工具。在解决任务过程中，MetaAgent持续进行自我反思和答案验证，将可操作经验提炼为简洁文本并动态整合到未来任务上下文中。此外，MetaAgent通过组织其工具使用历史来自主构建内部工具和持久化知识库，进一步增强其检索和整合相关信息的能力。我们将这种持续的、数据驱动的过程称为元工具学习，通过这种方式，MetaAgent在不改变模型参数或需要额外训练的情况下，逐步优化其推理和工具使用策略。在包括GAIA、WebWalkerQA和BrowseCamp在内的知识发现基准测试中，MetaAgent始终优于基于工作流的基线方法，并与端到端训练的智能体相当或更优，展示了自我进化智能体系统在鲁棒、通用知识发现方面的潜力。源代码详见https://github.com/qhjqhj00/MetaAgent。
In this work, we propose MetaAgent, an agentic paradigm inspired by the principle of learning-by-doing, where expertise is developed through hands-on practice and continual self-improvement. MetaAgent starts with a minimal workflow, equipped only with basic reasoning and adaptive help-seeking abilities. When a knowledge gap is encountered, MetaAgent generates natural language help requests, which are routed to the most suitable external tool by a dedicated tool router. As MetaAgent solves tasks,...