Self-Evolve Agent 自主进化引擎
核心定位：这是一个meta-skill（元技能），不解决具体业务问题，而是让AI agent自身持续变强。它模拟生物进化机制——变异→选择→保留，构建了一套完整的自主进化闭环。
核心用法
采用四步滴答巡航协议（Tick Handler）：
1. Status Sync - 扫描state.json中的活跃实验
2. Record Observations - 将观察指标降噪后写入jsonl记录
3. Evaluate & Solidify - 到期实验对比基线，固化优胜方案并清理队列
4. Launch New Experiment - 并发<10时寻找新瓶颈，设计实验并注册OBSERVING状态
> ⚠️ 关键约束：部署新实验后必须强制停止（Exit对话），等待下一次唤醒，严禁一次性跑完全流程。
显著优点
- 系统性进化：区别于单次反思（self-think的诊断功能），self-evolve是真正的"治疗"——找到解法并用实验验证
- 状态机驱动：严格的并发控制和实验生命周期管理，避免混乱
- 数据驱动决策：通过A/B测试对比基线，固化可量化的改进
- 持续迭代：定时唤醒机制（cron/HEARTBEAT）确保进化不中断
潜在缺点与局限
- 复杂度高：必须严格遵循状态机协议和文件规范，凭感觉操作会导致状态混乱
- 并发限制：最多10个并行实验，大规模进化需排队
- 冷启动依赖：需要self-think触发或明确用户指令，不会无中生有地进化
- 停止强制：每轮必须主动退出对话，对使用习惯有要求
适合人群
- 需要长期运营、持续优化的AI agent系统
- 有明确能力短板、希望通过实验验证改进方案的场景
- 能接受严格协议约束、重视数据可追溯性的团队
常规风险
- 伪进化陷阱：禁止无目标空转、禁止为写长篇报告而改排版的"假进化"
- 状态污染：不遵守"部署后强制停止"会导致并发额度失控
- 文件规范依赖：所有操作依赖严格的路径和格式规范，脱离模板易出错