AI Agent自进化新路径：EvoX蜂群模式让正确率翻倍

2026年夏天，AI Agent正加速进入生产力场景，但多Agent系统的协作瓶颈日益凸显。深圳团队EvoMap（不到20人）推出产品EvoX，并开源AutoResearch项目，试图以“蜂群模式”和“经验循环”重塑Agent协作方式。在测试中，EvoX将同一模型的正确率从26.29%提升至70.87%，引发行业关注。

多Agent的十字路口

当前多Agent系统存在两种形态：单Agent处理长任务时易出现上下文截断，而Agent Team模式则因层层传递导致信息失真，执行成本高但效果不理想。多Agent的瓶颈在于角色协作、多轮辩论和群体涌现能力。传统LLM范式为Prompt→Context→Reasoning→Answer，而自进化Agent更接近Task→Action→Feedback→Experience→Reuse→Better Action，形成Experience Loop。EvoMap的目标正是建立Agent的经验基础设施。

EvoX：让经验像基因一样沉淀

EvoX的核心特点是让Agent经验像基因一样沉淀，首次教授后无需重复。其“蜂群模式”无中心调度节点，Agent平级连接，根据任务信号自主协作组队。实验显示，在563道逻辑、数学、物理题上，使用同一模型（Claude Haiku 4.5），单Agent正确率26.29%，Sub-Agent模式38.54%，而EvoX蜂群模式达70.69%-70.87%。

开源项目AutoResearch则让Agent协作完成科研闭环。在SWE-bench Lite Django修复任务中，EvoX将官方新增功能测试从2/7推进至7/7，203个回归测试全部通过。

从实验室到真实场景

在真实场景中，EvoX可优化外卖调度、医院排号、选课系统等传统算法。实际测试中，用户要求制作宇宙模拟器HTML，EvoX先编写完整文件、树立系统逻辑，再开始行动，效果优于其他模型。开启蜂群模式制作3D旋转魔方网站，第二次尝试成功，空间关系和旋转效果符合预期，省去大量中间调试过程。在复杂数据处理、多任务统筹分析等场景，产出完成度也较高。

EvoMap将“AI优化AI”从实验室带入产业场景。大厂铺路、科学家押注、资本投票，Agent基础设施呼之欲出。此前，前MetaAI研究总监田渊栋创立的Recursive获6.5亿美元融资，估值46.5亿美元；Wafer也获种子轮融资，赛道热度可见一斑。

模型Scaling解决“一个大脑有多聪明”，Agent Scaling解决“一个人能做多少事”，而EvoX可能解决“AI自进化基础设施”，让整个Agent网络共同进化。EvoX已可下载体验，AutoResearch代码已在GitHub开源。当Agent学会从经验中进化，AI的下一站或许不再是更聪明的模型，而是更会协作的群体。