又用了一阵子KimiK3 ，新特性还真摸到了一些，“自演进工作流”很有意思

首先就是慢，问个问题思考时间明显比以前长。有时受不了，我切换回K2.6去了，有些简单的问题确实不需要来回搜个没完。

再就是发布宣传里说的“自演进工作流”，这个也有明显感觉。什么叫“自演进工作流”？首先看什么是是工作流（workflow）。

基座大模型唯一的功能就是对一段输入给出输出，直接计算输出token，这不叫工作流，相当于一个KPI调用，干不了事。如果没有工作流，连纯聊天都做不好（因为没有记忆）。需要人类编排写程序，把前面的对话当输入发给基座大模型。工作流一开始是人写死的，就是所谓的“编排”，如让网上搜索一些再总结输出的RAG（搜索增强生成），幻觉就少多了。这个编排很不简单，如搜索关键词生成要一个小模型。这种写死的工作流是人类安排的，让AI干这干那，这还不是Agent智能体。

深度研究Deep Research又进了一步，是“高度编排”的工作流。它输出报告之前，要RAG搜索几轮、检查矛盾、核实数据、写作过程，都是人类编排的。人类把“做研究”这个复杂任务，拆解成可重复的流水线，每个环节由 AI 执行，但人类主导每个步骤安排。深度研究也不是Agent智能体。

那完全的Agent智能体，就是AI来定工作流程，先干啥再干啥。工作需求种类繁多，人类能编排工作流程的有限。一般就是让AI来定工作流程了，这就是Agent。AI会看到任务，会制定一个工作计划（制定计划的本事是训练的）。然后按计划走，大计划里套小计划，有问题又重新定计划，再试别的路子。所以Agent有时会花非常多时间，因为制定计划是嵌套的、循环的。

听上去完全的Agent智能体很厉害，能自己干很多种活。但它有三个大毛病，过度规划、局部最优陷阱、判断能力差。过度规划是还没执行几步，就反复质疑计划是否最优；局部最优陷阱是，在小计划修修补补，忘了最初的大目标；判断能力差是，缺乏终止标准，无限循环地搜索、验证。如果去细细看Agent跑的过程，会认为它是傻子，人肯定不会这么干。Agent狂跑，有时能创造奇迹，直接做出一个大游戏都可以。但经常是大傻子Agent没干出啥，消耗了一堆token让用户吃不消。

那我们看，人类编排的工作流，它干活流程明确、可控，干得不太行也不会失控把token耗光，差不多就输出了，但干不了特大活。而Agent，干活流程千变万化，有时能出奇迹，有时能把人气死、钱烧光。两个东西各有优缺点，是不是能结合一下？

我在K3里就感觉到了“自演进工作流”（Self-evolving Workflows）。人类给大框架让它不要失控，AI 优化细节流程（如调整搜索策略）。就是说，AI能根据反馈，搞点小优化，但不过分搞得失控。执行层是人类的大框架， 优化层是AI给的小优化。

我用K3进行深度研究时，就发现时间明显比过去长了，进行了多轮次搜索、反复验证，似乎是有“自演进”在优化工作流程。

在Agent任务里，“自演进”能力似乎是目前还不太强，但非常关键的东西。理论上来说它是“AI自我反思、自我修正、流程优化”，看到不对的结果就改计划，聪明的人类这方面很强。这个框架潜力很大。