SE-Agent是一个自进化框架，通过轨迹级进化机制实现推理路径之间的信息交换，突破了单一轨迹的认知局限。该方法扩展了搜索空间，突破了局部最优，并展现了从集体交互中涌现的能力，在SWE-bench Verified上实现了80% 的 Top1 性能，真正实现了基于 LLM 的智能体在复杂推理任务中的自主进化。

性能结果

SE-Agent 实现了三个核心的自我进化操作，改变了代理解决问题的方式：

通过深入的自我反思和有针对性的改进，分析单个失败的轨迹。它超越了简单的重试，识别基本方法的局限性，并创建架构上正交的问题解决范式。这包括分析单个轨迹以识别错误、低效或概念盲点，然后促使代理生成完全不同的解决方案来克服这些特定的局限性。

通过智能地整合多条现有解决方案路径的优势，创建新的轨迹。跨轨迹灵感主要产生于此——SE-Agent 智能地从不同的轨迹中筛选出性能优异的片段，并将它们合并，从而构建出更优的方法。该流程明确地利用了各种尝试之间的相互依赖性，允许一个领域的成功弥补其他领域的不足，从而实现1+1>2 的协同效应，超越单个轨迹的局限性。

通过消除冗余，并利用来自整个轨迹池的洞察来提升效率，从而优化有前景的轨迹。新轨迹形成后，此步骤将进一步完善这些轨迹，包括移除不必要的步骤、精简行动顺序，并融入风险感知指导，从而避免从集体探索历史中汲取的系统性盲点和故障模式。