大型语言模型(LLM)已展现出强大能力，但其本质上仍是静态的，无法根据新任务、演进的知识领域或动态交互情境调整内部参数。随着LLM在开放式交互环境中的部署日益增多，这种静态特性已成为关键瓶颈，亟需能够实时自适应推理、行动和进化的智能体。这一范式转变——从扩展静态模型到开发自进化智能体——引发了人们对支持从数据、交互和经验中持续学习与适应的架构和方法的日益关注。本综述首次对自进化智能体进行了系统而全面的回顾，围绕三个基本维度组织：进化内容、进化时机和进化方式。我们考察了智能体各组件(如模型、记忆、工具、架构)的进化机制，按阶段(如测试期间内、测试期间外)对适应方法进行分类，并分析了指导进化适应的算法和架构设计(如标量奖励、文本反馈、单智能体和多智能体系统)。此外，我们分析了为自进化智能体量身定制的评估指标和基准，重点介绍了在编程、教育和医疗等领域的应用，并指出了在安全性、可扩展性和协同进化动力学等方面的关键挑战与研究方向。通过提供理解和设计自进化智能体的结构化框架，本综述为推进研究和实际部署中的自适应智能体系统制定了路线图，最终为人工超级智能(ASI)的实现指明方向——在这种智能体中，智能体能够自主进化，在广泛任务中达到或超越人类水平的表现。