/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */
#content_views .toc,
/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */
#content_views.markdown_views > p:empty:has(+ .toc),
#content_views.markdown_views > .toc + p:empty,
/* 富文本旧版目录标记 */
#content_views.htmledit_views #main-toc,
#content_views.htmledit_views #hr-toc,
#content_views.htmledit_views p[id*=\”-toc\”] {
display: none !important;
}
/* 目录去掉后，紧跟的首个标题不再多出一块上边距 */
#content_views.markdown_views > .toc + h1,
#content_views.markdown_views > .toc + h2,
#content_views.markdown_views > .toc + h3,
#content_views.markdown_views > .toc + h4,
#content_views.markdown_views > .toc + p:empty + h1,
#content_views.markdown_views > .toc + p:empty + h2,
#content_views.markdown_views > .toc + p:empty + h3,
#content_views.markdown_views > .toc + p:empty + h4 {
margin-top: 0 !important;
}
先明确核心定义。 Agent 自进化，指 Agent 在和环境持续交互时，自动采集执行轨迹，接收反馈信号，自主定位自身短板，生成改进方案，并且验证效果，持续提升任务成功率的闭环机制。
自进化分为两大类：轻量化行为进化、权重侧进化。 线上业务优先选用轻量化方案，不需要重新训练模型。
一、自进化标准四步闭环
步骤 1：轨迹采集 依托 Harness 层，保存 Agent 完整执行链路。 用户输入、每一轮思考内容、工具调用参数、返回结果、最终成败标签、耗时、错误类型全部落库。 成功轨迹可以沉淀优质经验。 失败轨迹，是自进化最核心的学习素材。
步骤 2：反思归因 由 Meta-Agent 元智能体承担反思模块。 读取整条执行轨迹，自动定位失败根源。 是 Prompt 描述模糊？工具参数写错？任务规划路径不合理？还是模型幻觉带来错误决策？ 它输出结构化反思结论，相当于给 Agent 生成错题解析。 经典的 Reflexion、Reflexion++ 方案，底层就是这个思路。 它把稀疏的 “成功 / 失败” 反馈，转化成模型能看懂的语义优化方向。
步骤 3：变异优化 根据反思结论，生成候选改进方案，主流分为 4 条路线。
Prompt / 指令进化（工业界首选，最轻量） 自动迭代系统提示词、子任务指令、工具描述文案，生成多版候选 Prompt。 APE、OPRO 都属于这类方案。 全程不改动模型权重，接入成本低，绝大多数业务 Agent 优先使用。
技能与流程进化 Agent 自主新增、修改 Skill，优化工具调用顺序。 甚至生成专门用来处理某一类任务的子 Agent。 比如 Agent 发现处理表格任务经常出错，自动生成一个 Excel 专项子 Agent。 也就是 AgentFactory 的思路，持续沉淀可复用的技能库。
记忆经验进化 把高频成功经验、踩坑教训存入长期记忆库。 同步更新记忆检索规则。 后续遇到相似任务时，优先调取历史经验，避免重复踩同一个坑。
权重侧进化（偏学术场景） 收集高质量交互轨迹，构造偏好数据集，做 DPO、ORPO 微调。 直接修改模型本身的偏好。 这个方案算力开销大，对数据质量要求极高。 线上业务很少直接落地，很容易出现对齐崩坏、通用能力退化。
步骤 4：验证筛选 这一步是工程上的关键，不能反思完直接上线新版本。 系统使用固定的验证测试集，并行跑原始版本和变异后的候选版本。 对比任务成功率、Token 消耗、幻觉率等指标。 只有指标正向提升的版本，才会升级为正式版本。 效果变差的变异方案直接丢弃，防止越进化越差。
二、自进化必须配套的安全围栏（面试高频考点）
沙箱隔离验证 所有改进方案，必须先在测试环境跑通验证。 禁止直接在生产环境执行变异、更新 Prompt 或者技能。
人工审核闸门 高风险业务场景，重大策略变更，需要人工复核。 避免 Agent 自主生成危险、越权、不符合业务规范的逻辑。
版本快照与回滚机制 每一次进化都保存版本快照。 一旦上线之后指标下跌，可以一键回退到之前稳定版本。
三、自进化方案优缺点
✅ 优点 长尾场景适配能力强。 不需要人工持续维护 Prompt 和流程，Agent 可以自主适配新任务，降低长期运维成本。
❌ 缺点 存在进化漂移风险。 持续自主修改策略之后，Agent 行为会慢慢偏离最初设定的目标。 很多交互轨迹自带噪声，反思模块容易认错根因，产生无效进化。 每一轮变异验证都需要调用模型，带来额外的算力开销。
面试总结
Agent 自进化是采集轨迹、元智能反思归因、多版本变异优化、验证筛选的闭环。 工业界优先采用 Prompt 进化、技能流程进化、记忆进化这类轻量化方案，不需要重训模型。 权重微调属于重方案，线上谨慎使用。整套机制必须搭配沙箱、版本管控、人工闸门，防止进化跑偏。
文末一句话背诵版
自进化 Agent 依靠交互轨迹持续学习，轻量化方案优化 Prompt、技能和记忆，权重微调是备选路线，必须配套验证和安全管控，避免进化漂移。
