AutoFyn：非参数化专家迭代框架实现长周期智能体突破

近日，arXiv平台发布了一篇题为《AutoFyn Technical Report: Non-Parametric Expert Iteration for Long-Horizon Agents》的技术报告，介绍了一种名为AutoFyn的新型智能体架构。该架构受经典“专家迭代”（Expert Iteration）算法启发，但摒弃了传统依赖模型权重微调的路径，转而采用一种非参数化的策略——通过持续更新外部持久状态来引导智能体行为演进。

AutoFyn的核心机制在于其独特的循环结构：每一轮任务执行均从一个全新的、冻结参数的基础模型会话开始，确保模型本身不发生任何内部修改。所有跨轮次的知识积累与策略优化，仅通过显式定义的接口注入，包括持久化内存文件、结构化报告以及代码仓库状态等。这种设计不仅增强了系统的可复现性与透明度，也避免了模型漂移带来的不可控风险。

在单轮任务执行过程中，AutoFyn引入一个“协调器”（orchestrator）模块，负责调度多个专业化子智能体进行探索、规划与方案构建。这些子智能体并行尝试多种解决路径，最终由一个任务导向的“验证器”（verifier）对输出结果进行严格检验。验证器基于客观标准生成奖励信号，该信号随后被“蒸馏”回持久状态中，用于指导下一轮的策略调整。这一闭环机制实现了无需修改模型参数即可持续提升任务性能的目标。

技术报告展示了AutoFyn在三个高难度领域的实际应用成果。在2026年国际数学奥林匹克竞赛（IMO）的六道全新题目上，所有参与测试的基础模型在AutoFyn框架下的得分均显著高于其原生编码智能体的表现，证明了该方法在复杂推理任务中的强大增益效果。在数据科学领域，AutoFyn构建的智能体在Spider 2.0 dbt基准测试中排名第一，展现出卓越的数据库查询与转换能力。更引人注目的是，在网络安全方面，AutoFyn已成功识别并提交了16个经项目维护者确认的漏洞通告，涉及MetaMask、pnpm、Warp、LiteLLM、Langflow和Open WebUI等多个知名开源项目。

AutoFyn的创新之处在于将“学习”从模型内部转移到外部状态系统，为长周期、多轮次、高可靠性要求的智能体应用提供了新范式。其非参数化特性降低了对模型再训练的依赖，同时通过结构化验证与奖励反馈机制保障了输出质量。这一框架不仅拓展了AI智能体在复杂现实任务中的边界，也为未来构建可审计、可追溯、可持续进化的自主系统提供了重要技术路径。