Agent 自进化，并不会每一轮都变得更强。 这篇《Rethinking Self-Evolving Agent Skills》专门研究 Skill 在多轮迭代里到底是怎么进化的。 作者做了 42 组 evolution run，一共生成 388 个候选 Skill，真正刷新验证集最好结果的只有 55 个。 也就是说，大部分修改其实没有带来有效提升，很多轮次会停滞、退化，最后被回滚。 还有一个很有意思的结果： 最终被选中的 11 个进化 Skill，全部使用了失败轨迹作为反馈；只看成功经验的方案一次都没有胜出。 失败轨迹更像是在告诉 Agent「哪里需要修」，成功轨迹则更适合保留已有能力。 这也说明了自进化更像一场带验证和回滚机制的搜索。 重点不在多迭代几轮，而在每次修改之后，能不能证明这条经验真的值得留下。 📎 arxiv:

现在很多 Agent 自进化，大致走两条路： 一条改模型权重，一条改 Harness。 这篇 Evo² 直接把两条路接了起来。 系统里，同一个模型同时扮演两个角色： Proposer 负责修改 Harness，Reflector 负责看执行结果、分析哪里改对了、哪里还需要修。 关键在下一步。 这些 Harness 修改和真实执行结果，会继续拿回来训练 Proposer 和 Reflector。模型变得更会改 Harness，新的 Harness 又产生更好的训练经验，形成一个持续循环。 结果是 Evo² 在 Polyglot 上达到 82.1%，最强 baseline 是 62.6%；SWE-bench Verified 达到 48.3%，相比 baseline 的 41.0% 继续提升。 而且进化出来的 Harness 可以直接迁移到其他 benchmark，不需要重新搜索。固定 GPT-5-mini 权重时，仅靠这套 Harness 进化流程，也把表现从 24.4% 提升到 48.3%。 这篇真正往前推的一步，是让「改进者」本身也进入了学习循环。 以后自进化 Agent 可能会越来越像两个互相促进的系统： 一边积累更好的外部运行结构，一边训练出更会修改这些结构的模型。 当「怎么让自己变强」也开始被持续训练，self-evolution 才真正有了第二层递归。 📎 arxiv:

用 @karpathy 的自进化框架，开始跑策略，ai自己每天研究交易策略，不断测试，自我演进/留存/淘汰。 核心思想： 1️⃣evolutionary search（进化搜索） 2️⃣trajectory improvement（记录历史尝试） 3️⃣context engineering

这个博客讲 Agent Harness 自进化中比较重要的一个问题： Harness 跑分提高了，到底哪里真的变好了？ 作者提出 Harness-Delta Attribution，把一次提升拆成三部分：过拟合、更多 test-time compute，以及最后真正能泛化的改进。 结果是在 ALFWorld 和 LiveMath 上，大量提升其实来自 Harness 学会了数据集里的规律和 shortcut；CREATE 上，不少收益单纯增加模型调用次数就能拿回来。 到了 held-out test，16 组实验里甚至有 4 组进化后的 Harness 比原来的 baseline 更差。 SWE-bench 上能看到比较明显的可泛化提升，但主要集中在能力较弱、还有提升空间的模型。 我觉得这对 Agent 自进化研究有一个提醒。 以后看到「Harness 自动进化后 +20%」，需要多问一步：这 20% 里有多少学到了可复用的方法，有多少只是记住 Benchmark，或者花了更多 Token 和调用次数。 文章：

DSH 凭一己之力把“自进化”的提议转移到软件运行时自进化了。自进化这个词被彻底矮化了。一个月前它还描述的是：模型层面的自进化。醒醒，一个臭软件不需要运行时改变自己的组件。如果需要，你告诉我它变来变去是想干什么？是为了应对场景中突发的需求？求你了，固定版本的软件已经可以把人送上月球了。

最近会多分享一些 Agent 自进化方向的论文和工作，这也是我们团队接下来准备长期投入的方向。 我们会先从 Harness Agent 的自进化 做起。模型迭代需要大量数据和算力，Harness 则可以直接利用任务轨迹、工具反馈和评测结果，持续改进流程、记忆与执行策略，验证周期更短，也更容易落地。 我们想先看看：在模型保持不变的情况下，Agent 能不能通过不断优化自己的工作方式，真正做到越用越强。

最近大半个月一直和codex 较劲怎么让技能自进化 最后全都失败了 不管是使用什么方法基本上，单靠技能是无法实现的，需要工程化的方法 我发现Gemini 3.8 Flash的写作很好，今天就修改了技能，让Codex当做协调者和审核者，来只会Gemini写作... 这时候我突然意识到 Codex 本身就是自进化最好的中间体 因为Codex几乎能记的和我聊过的所有对话内容，那么意味着我所有的反馈它都在不停学习 所以我就拆分了技能，让Code想作为大脑中枢，去指挥其他部分来运行，但是修改反馈再在 Codex 进行，这样我和它交流的反馈它就能全部学会了，它不负责干活，但是它知道了我的喜好、品味和什么是好的什么是坏的，能最大限度的自我学习提升，来审核其他部分是否做的足够好...