第十九章 进化不是自我修改：目标函数、证据与边界

证据地位：本章综合截至 2026-09-19 已核验的公开研究与作者工程推导；近期研究多为预印本，不等同于长期生产复现。统计例与发布规则是本书的教学设计。

“Agent 会修改自己”是个吸引人的叙事，却不是可执行定义。一次反思、写入经验、发布新提示和微调参数，改变的对象并不相同。本书把工程进化定义为：根据可追溯反馈生成有限候选，按事先约定的规则评价和选择，再通过受控发布改变后续行为。生成出候选只完成了第一步，候选有效、选对版本和长期保持收益还要分别取证。

1. 四类可变对象，不是升级阶梯

分类	主要发布或保存对象	生效范围	常见时标	默认回退粒度
L1 任务内适应	当前计划、分支候选、临时摘要	当前任务或运行	秒至小时	分支、检查点
L2 跨任务经验	记忆条目、技能包、经验库快照	符合适用条件的后续任务	天至月	条目或经验库版本
L3 Harness 版本	提示、工具视图、检索算法、上下文与执行规则	一个配置或流量切片	天至周	完整配置包
L4 模型参数	执行模型或生成器的权重、可学习适配参数	使用该参数版本的调用	天至月	模型检查点及兼容配置

分类按本次主要变更对象确定。发布一条检索经验是 L2，改检索排序代码是 L3，训练检索模型参数是 L4；一项技能既含说明又含脚本，不因此自动归入两层。同时修改经验库、执行规则和参数时，应登记为复合变更，分别记录版本，不能把同一份收益重复归给三层。“adapter”也应说明是工具适配代码还是可学习参数。

影响面和费用不能按层号排序。一次全局技能发布可能比小范围参数适配更危险；明确的工具单位缺陷可以直接修 L3，不必先经历 L1 重试和 L2 提醒。选择依据是故障机制、可验证性、影响面和全生命周期成本。反过来，蒸馏可能仅为了降低部署成本，并不要求先证明所有接口修复都无效。

还要分开两个问题：谁控制改进决策，以及谁提供确认收益的证据。RSI 路线图按执行改进、选择策略、获取经验、适应环境和递归改进等自主性展开；它与本书的对象分类是不同轴，不能把两套层号相互替换。RSI 路线图 v2

方案	改了什么	改进由谁控制	还需什么证据
人工修工具接口	L3	人选择变更	固定任务与模型的对照
自动更新经验库	L2	代理提案，策略批准	新任务复用与撤销测试
训练 Harness 生成器	L4；部署产物涉及 L3	训练流程与部署选择器	参数、生成配置、执行模型分别冻结的比较

2. 一份能复查的证据合同

第二十至二十三章沿用同一模板，但填满字段只是记录完整，不代表结论成立：

EvolutionEvidence:
  可变对象: 允许修改的对象及父版本
  观测信号: 成功、失败、成本、安全与后续事故
  归因方法: 对照、条件差值及尚未排除的解释
  候选生成: 提案者、搜索空间、候选数和预算
  评价隔离方式: 数据用途、可见主体、反馈和查询限额
  门禁判据: 指标分母、差值区间、非劣界和硬约束
  发布方式: 目标任务、模型、租户与流量范围
  回滚粒度: 一致版本组合、在途处置和外部动作对账
  失败模式: 污染、投机、负迁移与未消除风险

版本记录还应区分创建者模型、任务执行模型、评价器和经验库。JIT-Agent 就训练了 Harness 生成器，任务执行模型则冻结；部署时生成器参数冻结，也不妨碍经验库继续按协议更新。只记一个“模型版本”，无法解释这种复合系统的收益。JIT-Agent v2

3. 评价权与可变表面分离

候选只能修改已声明的表面。身份根、权限策略、评价代码、封存测试服务、审计和发布控制器不属于同一候选的写权限。候选可以提出治理改进建议，但不能一边接受评分，一边修改评分规则。

这里的分离既要防写，也要防读。把测试目录挂成只读，仍会让候选代码读到答案。生成代理、运行候选代码的沙箱、评价器和训练作业应使用不同的访问权限。治理代码本身可以更新，但要走独立的版本、验收和批准流程；“候选不可改”不等于“组织永远不能改”。

数据同样按用途分开：开发集允许诊断；留出验证集没有用于本轮拟合，却会参与选型；封存终测集只确认预先冻结的版本。反馈一旦进入修复、选择或经验提炼，该数据就已经影响系统，不能继续称为未见证据。跨轮访问预算和派生污染规则见第二十四章。

4. 先定义估计对象，再谈晋级

设每个合格任务在固定预算内的效用为 U，主要比较候选相对基线的配对差 ΔU。随机交错运行两组，在同一任务、环境快照和重复编号上配对。若同一任务重复多次，先形成任务内差值，再按独立任务或同源任务簇估计置信区间；不能把同一题的十次运行算成十个独立任务。

下面是一份教学合同，阈值仅用于解释判定方法：

字段	预先约定
实验单位	120 个相互独立的任务，每组每任务重复 2 次，共 240 次运行
主要效用	全部已分配合格运行中的可信完成比例，差值用百分点
最小有意义增益	候选减基线的差值区间下界高于 +2 个百分点
关键切片非劣界	各预注册切片差值下界高于 −3 个百分点
不确定性	按任务整体重采样，保留任务内重复及两组配对；报告双侧 95% 差值区间
多重选择	验证集最多比较 8 个候选，终测只确认预先选定的 1 个；关键切片用同时区间或预注册校正
停止规则	固定样本数；只因预算、完整性或严重安全事件提前停止，不因分数暂时好看而结束

这张表不承诺 120 个任务有足够统计功效；正式实验还须用预期效应、方差和切片规模估算所需样本。任务簇有相关性时，独立单位数会更少。逐步查看结果或反复换候选，需要顺序检验或独立确认，不能继续使用一次固定检验的错误率解释。

“有显著差异”“有业务价值”和“非劣”是三种判据。差值区间为 [+0.2, +1.4] 个百分点，虽排除零，仍未达到本例的 +2；关键切片为 [−4, +1]，虽不能判定下降，却不能通过 −3 的非劣界。非劣必须预先声明允许损失的边界，并直接检查差值下界。

5. 零观测违规与全部费用

严重违规一经观察即拒绝，可以是硬门；H_observed=0 只表示本样本没有发现，不表示真实风险为零。纯数学例：若 240 次暴露确为独立同分布的二项试验，零违规的单侧 95% 风险上界为 1−0.05^(1/240)≈1.24%。上节同题重复的 240 次运行不自动满足这个假设，更不能直接套用该数作为生产安全保证。报告应列暴露定义、数量、聚类方式和能支持的风险界。

单位可信完成成本写作 C_success = 总费用 / 可信完成数。总费用包括生成与搜索、任务执行、验证和裁判、失败重试、环境计算及人工接管；训练和经验维护等固定投入单列，并说明按什么任务量摊销。执行 token、账单金额和人工分钟应分别保留，不能在没有价格与计量窗口时混加。可信完成数为零时，明确写不可估计或无穷，不让候选从成本表消失。

节省资源也可以是主要目标，但必须同时通过预注册质量容忍界。SoL-Pi 的效率配置在 GPT-5.6 Sol 的 EdgeBench 报告中，由 Pi 的 44.8 分变为 42.0 分。它提供了质量与费用取舍的实例，不能写成“无损省 token”；这些评分也不能换称任务成功率。SoL-Pi v1

6. 研究信号应拆成创建、维护与选择

Self-Harness 从弱点挖掘、最小提案和验证组织修改；Living-Harness 将交互经验保存为程序记忆与修复状态图。它们为不同可变对象提供研究路线，收益仍受模型、任务和反馈条件约束。Self-Harness v3、Living-Harness v2

本书采用 HarnessBank 的 v2。该工作在 v1 以 GSME 描述门控语义质量—多样性搜索，v2 保留提案与确定性计量分离，进一步突出基因库、机制重组和分阶段筛选。不同版次的数字不能混用。v2 的 SWE-bench 小样本结果仍属初步信号，并未通过作者的统计门槛，不能把所有领域统称为已确认改善。GSME v1 历史版本、HarnessBank v2

HarnessDev 则把创建 Harness 与持续修订分开评估。创建阶段有独立生成的多份产物，进化阶段每个创建者—执行者组合只有一条轨迹，后续未见任务评价仅覆盖 SWE-Pro。反馈集上升与留出结果并不总同向，换执行模型也可能退化。因此应分别测量：能否造出可运行系统，能否通过修改改善，以及选择器能否在看不到终测结果时选对版本。论文中的执行 token 还排除了创建者、裁判和诊断探针，不能直接代表总费用。HarnessDev v1

7. 从失败到可检验假设

生产轨迹混合真实成功、偶然成功、用户妥协、攻击与环境故障。被合并的补丁不天然是正确样本，用户没有追问也不天然表示满意。应同时保留经授权的候选记录、拒绝原因、验证结果和后续事故；人工接受只是一个标签。

一个可检验假设应说清机制、适用条件和对照。例如：“当工具目录超过该模型的可靠选择范围时，按需发现能否在关键任务非劣的条件下降低选错工具率？”它比“工具太多，优化提示”更容易验证。

时间相关只说明同时发生；轨迹对齐能定位分歧；消融估计指定组合下移除组件的影响，可能混有接口破坏和交互，不能证明普遍必要性。随机对照、配对差值与跨切片复现提供更强的归因证据，仍须明确实验假设。第二十三章给出模型与 Harness 的条件效应、平均主效应和交互公式。

8. 预算、停止与保持现状

候选生成、确认试验和生产灰度使用不同预算。探索可快速淘汰；确认要保留固定协议和足够样本；灰度还要限制用户、数据和外部动作暴露。多找出几个反例可能比再发布一个版本更有价值，不能把上线次数当作学习速度。

立项前先判断新增信息是否值得实验费用：记录基线损失、预期改善、确认成本、可接受风险和停止日期。故障少、根因明确、人工修复便宜时，直接修确定性流程可能更合适。风险或收益尚不清楚时，先做探索，不承诺生产回报。

每个失败簇都应保留“暂不改变”的选项。持续否决有回归风险的候选可以产生有价值的负面知识；重复提出已证伪方案才值得追查。基线也要冻结并保留人工补救成本，防止任务变简单、供应商升级或更多人工支持伪装成进化收益。基线改变后，另开实验，不把不兼容样本继续累计到旧结论中。