核心机制
Self-Evolve 是一个 meta-skill，将生物进化原理（变异→选择→保留）应用于 agent 自身能力建设。其核心循环为：感知差距 → 搜索方案 → 设计实验 → 跑实验 → 选赢家 → 固化 → 下一轮。
与 self-think（业务层面反思）形成互补：self-think 诊断能力短板，触发 self-evolve 进行针对性升级。
显著优点
1. 结构化进化流程：四步滴答巡航（Status Sync → Record Observations → Evaluate & Solidify → Launch New）确保实验可控可追踪
2. 防空转设计：严格红线约束——禁止"伪进化"（纯文本重排版等无外部验证行为），遇阻必须挂起并求救人类
3. 并发实验支持：最多 10 个正交实验并行观察，通过 state.json 全局状态机管理
4. 数据驱动决策：强制量化基线、明确成功指标、A/B 对比验证，拒绝"感觉更好了"
5. 可逆优先原则：任何变更必须可回滚，高风险操作需人类确认
潜在局限
1. 依赖外部验证：若物理环境受限（API 不可用、权限不足），进化进程易阻塞
2. 实验周期较长：流程重构需 5-7 天，架构变更需 7-14 天，不适合紧急修复
3. 需配套基础设施：依赖 HEARTBEAT.md、state.json、candidates.md 等文件体系
4. 人工介入节点多：高风险操作、BLOCKED 状态均需人类决策
适合人群
- 运行周期较长的 autonomous agent 开发者
- 追求持续优化而非一次性交付的工程团队
- 已建立基础监控和日志体系的高级用户
常规风险
- 实验污染：非正交实验并行导致无法归因
- 固化失败：结论未写入配置文件导致进化归零
- 过早终止：极端负向反应触发时需人工复核
- 凑数实验：为填满并发限额捏造无意义实验