你的Agent上线半年了，回头看看——它比第一天聪明了吗？它可能还在犯三个月前就犯过的错，还在重复三个月前就走过的弯路，还在对三个月前就见过的场景表现得像个新手。半年的线上流量喂过去，它一点经验都没攒下来。

问题不在模型不够强。问题在于——没有人给它搭一条从"做过"到"记住"到"变好"的路。腾讯程序员yannisyang、ethanytzhou基于对Anthropic递归自改进报告、斯坦福CS329A课程、EvoAgentX等开源框架的深度研读，结合业界多个团队已验证的优秀实践，提炼出一套评测→记忆→落地→控制的四齿飞轮方法论。

打开网易新闻 查看精彩图片

一个被拆散的系统

最近几个月，一个普遍且致命的现象被观察到：评测、记忆、Self-Improve这三件事，在大多数团队里是被拆散着做的。评测团队搭了一套评分系统，跑完打个分就结束了——分数去了周报，没有去到Prompt或Skill的改进链路里。记忆团队做了一套向量检索，存了一堆对话历史——但召回的东西噪声太高，Agent反而被干扰了，最后记忆模块被默默关掉。

每个团队都在认真地做自己那一块，但飞轮没有转起来。因为这三件事不是三个独立的功能点——它们是同一个闭环的不同环节。评测是闭环的"眼睛"（感知哪里有问题），记忆是闭环的"大脑"（积累可复用的经验），Self-Improve是闭环的"手脚"（把经验变成实际的改进），人机协作是闭环的"方向盘和刹车"（确保进化方向不跑偏）。

自进化改的到底是什么？

2026年上半年，自进化从"学术概念"突然变成了"工程热点"——斯坦福开了CS329A课程、Anthropic发布了递归自改进报告和Dreaming机制、多个开源框架出现、业界多个团队跑通了完整闭环。这个领域正从"能不能做"跨越到"怎么做好"的阶段。

"自进化"这个词被用得很滥。有人拿Self-Refine（让Agent多改几版输出）叫自进化，有人拿Agent RL（训模型权重）叫自进化。它们是完全不同的东西。改什么，就决定了"进化"的持久性和价值，分为三层：

  • 第一层：Artifacts迭代——改输出产物。代码写了三版越来越好、方案改了几稿越来越靠谱。但任务结束，Agent本身没有任何改变。这不是进化，这是打草稿。
  • 第二层：Harness自改进——改Agent的配套系统。记忆、Skill文件、Prompt、工具配置、工作流——这些改动持久化到文件或数据库，跨会话生效。这是当前最具性价比的进化方向。
  • 第三层：Model进化——改模型参数本身。通过Agent RL、自对弈微调将经验写入权重。持久性最强，但成本最高、风险最大，目前仍在研究阶段。

为什么Harness层是主战场？四个字：即时、可控。改完Skill/Prompt立刻生效，不需要重训模型；改错了一键回滚，不会造成不可逆的损害。已有落地案例通过Harness层进化，迭代次数减少70%、Token消耗降低80%+；在Agent Memory场景中Token节省超60%——这些收益全部来自"改配套系统"，一个模型参数都没动。

核心立场与飞轮结构

这篇文章的核心立场有三个：①自进化的瓶颈不是任何一个技术点，而是环节之间的衔接。评测信号必须能流进记忆和Skill更新；更新后必须能被评测验证；验证结果必须能反哺下一轮进化。这条链路断了任何一环，飞轮都转不起来。②评测的可信度大于系统的复杂度。一个简单但评测可信的系统，远好于一个复杂但评测失真的系统。错误的正反馈会让Agent加速开往悬崖。③记忆系统的核心不是存储能力，而是治理能力。存得多不如治得好——版本控制、主动遗忘、冲突解决、来源溯源，这些"不性感"的治理能力才是决定记忆系统到底帮忙还是添乱的关键。

飞轮按照四个齿逐一展开：信号（评测）→积累（记忆）→落地（工程化）→控制（人机协作）。每个环节讲清楚三件事：核心矛盾是什么、应该怎么建设、有哪些坑必须避开。最后一章讲它们怎么咬合成飞轮、以及从零到一的落地路线。

一个具体的例子帮助理解三层的区别：假设你的Agent在处理"日期格式转换"时经常出错。Artifacts层让Agent在本次任务中多试几次、自我纠错——这次做对了，但下次遇到同样的问题它不会更快。Harness层写一条Skill——"遇到日期格式转换时，先识别源格式再用对应的转换函数"——持久化保存，下次遇到直接follow这条Skill，不再犯错。Model层用大量日期格式转换的正确样本微调模型——模型本身"学会"了这件事。成本最高，但也最根本。对于绝大多数团队来说，写一条Skill（Harness层）就能解决问题——不需要微调模型。