北京
一个智能体把提示词改了、把记忆结构调了、把工具链重排了一遍，跑分涨了。然后它把这套改动固化下来，带进下一次运行。听起来是进步，但下一次它可能连原来会做的事都做不好了。
这正是自进化智能体眼下最现实的风险。模型本身不动，围绕它的那层"外壳"——提示词、记忆、工具、代码——在被智能体自己反复改写。改动一旦被采纳，就会延续到后续运行里。一次糟糕的编辑，可能过拟合、可能抹掉旧技能，还可能扩散到其他用户那里。
把外壳进化当成进化算法来管
有论文把这类外壳自我改进的方法，映射到了进化算法的框架上。从最简单的"保留最优"搜索，到档案库、帕累托选择，再到用多臂老虎机来分配预算，一整套思路都被搬了过来。
这些方法按改动内容做了分类，从提示词一路排到运行时代码。分类的意义在于，不同层级的改动，风险和可逆性完全不同。
而它们共同的核心是一条准入规则：只有当一次编辑在全新的、独立的任务上，以明确的幅度超过当前外壳时，才允许保留。
一个来自既有工作的编译案例
论文里有一个从先前工作编译出来的案例，数字很能说明问题：
- GPT-5.4-nano 配上进化后的外壳与技能，在 SpreadsheetBench 上得分 77.58%
- GPT-5.5 仅做技能调优，得分 76.20%
需要说明的是，两者的成本并未对齐。所以这组对比不能被读成"小模型加外壳就打赢了大模型"，它只说明外壳层面的进化确实能带来可观的分数变化。
给自改智能体划三条线
如果手上的智能体已经开始编辑自己的配置，论文给出的操作建议很直接：每一次改动都要在新鲜任务上测试，而不是在它自己反复见过的任务上。
更关键的是边界问题。评估器、权限、紧急停止开关，这三样东西必须放在智能体够不着的地方。理由不难理解——一个能改写自己评估标准的系统，等于同时当了运动员和裁判。
外壳进化的诱惑在于，它不需要重训模型就能拿到提升，成本低、见效快。但正因为改动会沉淀下来、会传播出去，准入这道关卡才不能松。新任务、独立验证、明确幅度，缺一个都不该放行。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
