Agent 的自进化能力，正在从概念走向工程实践。但很多团队卡在同一个问题上：评测、记忆、落地、控制，这四个环节到底怎么串成一个能转起来的飞轮？

腾讯技术工程团队基于对 Anthropic 递归自改进报告、斯坦福 CS329A 课程以及 EvoAgentX 等开源框架的研读，结合多个团队已验证的实践，提炼出一套四齿飞轮方法论。核心思路很直接：评测是信号源，记忆是燃料库，落地是执行器，控制是方向盘。

打开网易新闻 查看精彩图片

评测：不是打分，是信号源

评测在自进化中的角色被严重低估了。它不只是给 Agent 的表现打个分，而是整个飞轮的信号来源。没有可靠的评测信号，后续的记忆沉淀、策略调整都无从谈起。

但搭建评测体系并不容易，文章总结了七大核心难题：弱评估器、评什么维度、评什么粒度、开放式任务难量化、评测集漂移、预算公平性、评测成本。这些问题的本质，是一个结构性的精度 × 成本 × 覆盖面三难困境——想测得准，成本就高；想覆盖广，精度就降。

四个建设要点，把评测做实

针对上述难题，文章给出四个建设要点：

  • 评测手段分层组合：不同任务用不同强度的评估方式，不搞一刀切
  • 评测集的工程化管理：像管理代码一样管理评测集，分层维护 train 集、val 集和 test 集
  • 评测的终点不是打分，是诊断归因：分数只是中间产物，找到失败原因才是目的
  • 评估器本身也需要被评测：评估工具的可信度，决定了整个飞轮的可靠性

文章里有一句金句点出了要害：“评测的可信度 > 系统的复杂度”。评测信号如果失真，飞轮转得越快，偏离越大。

记忆与落地：治理比存储更重要

进入记忆环节，常见的误区是堆存储。文章强调，记忆系统的核心不是存储，而是治理——什么该记、什么该忘、什么该优先被检索，这些规则决定了记忆的质量。落地环节则关注如何把策略变化安全地部署到生产环境，控制环节负责设定边界，防止自进化跑偏。

四个环节环环相扣，评测提供信号，记忆沉淀经验，落地执行变化，控制守住底线。这套飞轮方法论的价值在于，它把“自进化”从一个模糊的概念，拆解成了可落地的工程步骤。对于正在搭建 Agent 系统的团队来说，值得对照自己的架构逐一检查：信号源可靠吗？记忆有治理吗？控制有边界吗？