自我演進 Coding Agents 調查
為何重要
對開發者而言，這標誌著 Coding Tools 正從單點任務執行邁向具備儲存庫層級理解和持續自我最佳化能力的系統。對產業競爭而言，此調查界定了評估 AI 軟體開發工具成熟度的關鍵維度（含維護性、回饋可靠性及通用性），未來價值將更集中在誰能提供具備長期適應性的生態系，而非僅僅是原生模型的強度。
隨著大型語言模型廣泛應用於軟體工程，Coding Agents 開始具備檢查儲存庫、呼叫工具、執行測試與除錯的能力，但現有方案多為部署後僵化的靜態模型。本文為「自我演進 Coding Agents」領域的系統性調查，探討 Agent 如何透過動態更新自身框架、記憶或工具來適應演進中的程式碼庫。
- 發現需透過更新框架、記憶、技能、工具、模型或協作結構來改善未來行為。
- 提出「物件中心分類法」，結合演進時機與軟體特定證據來定義自我演進系統的範疇。
- 認定儲存庫層級背景、執行回饋與編碼軌跡是驅動自我演進的關鍵要素，但也需處理回饋可靠性與維護成本等挑戰。
- 相關論文與元件清單位於 GitHub: https://github.com/zhouhao1024/Awesome-Self-Evolving-Coding-Agents。