任云舒最近和一个做Agent框架的朋友聊天，他说了句大实话：现在市面上的Agent项目，绝大多数还停留在“拿大模型当函数用”的阶段——接个记忆库、调几个工具、套一层规划循环，看起来什么都能干，实际上换个场景就碎。正说着，我刷到KAUST诸葛鸣晨的专访，里头有两个判断我印象很深：一是2026年Agent的最大突破会是“递归自进化”，二是三年后有望出现“神经计算机”。这两个词单独拎出来都不新鲜，但放在一起，其实指向了一条非常具体的演进路径。
这篇内容我想了很久，决定不写成单纯的专访摘录，而是从一个Agent开发实践者的视角，把这几年踩过的坑、看到的行业信号，以及这两个判断背后的技术逻辑拆开揉碎讲清楚。适合正在做Agent开发、想搞清楚Agent能力上限在哪、以及关心AI硬件接下来怎么演变的开发者阅读。信息量会比较大，但我会尽量用大白话和实际案例来解释，保证你能边看边对照自己的项目。
1. 递归自进化到底是什么：从“外部堆功能”到“内部改结构”
1.1 一句话理解：让Agent修改自己的“大脑”
大多数人对Agent进化的理解是“越用越熟”——用久了，记忆库大了，工具调得溜了，表现自然变好。但递归自进化完全不是一个量级。它指的是Agent不仅能基于经验调整策略，还能修改自己赖以推理的指令体系、工具编排逻辑，甚至底层的能力结构。
打个比方。普通Agent像是一个厨师，菜谱是别人写好的，他照着做，做多了更熟练，但不会自己发明新菜系。递归自进化是这个厨师开始修改菜谱本身，今天觉得“盐放两克不够，改成三克”，明天觉得“这个步骤可以删掉，换成焖制更好”，后天他开始重新设计厨房的设备摆放。菜谱的修改会影响每道菜的出品，而新出品又会反过来让他产生了新一轮的修改动机。
在工程上，这意味着Agent内部会出现一条“自我反馈闭环”。传统Agent是用户输入问题，Agent调用大模型推理，调用工具执行，返回结果。递归自进化要在外面再套一圈：让Agent观察自己的整个推理和执行过程，主动识别哪些Prompt写得模糊、哪些工具选择不合理、哪些思维链步骤冗余，然后生成修改后的Prompt或配置，再跑一轮验证是否改善。如此循环往复，每一轮都在改自己的“工作方式本身”。
1.2 和AutoGPT那种“自我提示”是两码事
这里有一个很容易混淆的地方。很多人会问：AutoGPT不也是自己给自己重新写Prompt吗？差远了。AutoGPT的“自我提示”是临时性的、单任务内的——它为了完成“帮我在网上订酒店”这个任务，会动态拆解子任务并生成对应的执行指令，但任务结束、对话清空，一切归零。它的“自我改进”是对环境状态的反应，而不是对自己能力的重构。
递归自进化有两根本质不同的支柱：
- 跨任务的持续修改：进化发生在任务与任务之间，Agent会把上个任务里“用哪个工具更合适”“哪个Prompt模板容易让模型误解”的经验沉淀下来，直接改写自己长期使用的那套系统配置。
- 能力维度的自我调整：它改的不是某一次回答的措辞，而是改“自己如何生成回答”的机制。比如发现自己的规划模块经常忽略时间约束，就修改规划Prompt，加入强制校验逻辑；发现某些工具参数容易传错，就自动改写工具调用的包装函数。
所以你看，AutoGPT是“用同一个大脑解决不同问题”，递归自进化是“不断换一个更好的大脑去解决未来的问题”。前者是用法层面的迭代，后者是结构层面的迭代。诸葛鸣晨把递归自进化定为2026年的最大突破，正是因为这条从用法到结构的跨越，难度比大多数人想象的大。
1.3 递归的复利效应
为什么“递归”是这里的关键词？因为它直接决定了进化的速度曲线。
普通机器学习的改进是线性的：你用更多数据训练模型，性能缓慢爬升。递归自进化的改进是复利式的：Agent想出了一个改进方案，这个方案让它想问题更清晰，于是它又能想出更复杂的改进方案，接着再改，再想……每一轮改进都建立在前一轮改进的基础之上。
我在实际测试一些带简单自省能力的Agent时观察到，当Agent能回顾自己过去的错误并调整行为规则后，前几轮优化确实有效，但性能很快进入平台期。原因很简单：它缺乏