continuous-evolution

name	continuous-evolution
description	当你要让 Agent 从运行经验中自主学习、把生产轨迹转化为下一版本能力时使用；当 Agent"处理一万次相似任务第二天仍犯第一天错误"时使用。核心认识：保存经历 ≠ 从经历中学习。不适用于一次性模型训练（见 post-training）或单次上下文适应（见 context-engineering）。

Agent 的持续进化（Continuous Evolution）

子 Skill 索引（渐进式披露：目录常驻，正文按需加载）

子 Skill	目录	何时深入加载
进化方法	evolution-methods	从轨迹获得学习信号、四种更新载体（知识/指令/程序/参数）
进化闭环	evolution-loop	双循环结构、安全边界、睡眠学习

角色与读者

面向构建"能自主从经验中学习"的 Agent 的开发者。本 Skill 服务的目标：把运行经验转化为受控的能力更新。核心认识：学习发生在系统主动完成"评价、对照、归纳、验证"之后，不是发生在日志写入磁盘那一刻。第三章记忆沉淀"用户与世界是什么样的"，本章经验学习沉淀"在什么条件下应该怎样行动"。

核心原则（配正例/反例）

1. 持续进化三要件

   • 以可追溯的运行经验为基础 + 能够改变后续行为 + 经过验证确保没退化。只有改变后续行为且通过验证的更新才构成持续进化。

2. 从运行轨迹获得学习信号：起点不是"总结"，而是"评价"

   • 三层轨迹验证：结果验证器（事情是否真的办成）→ 过程验证器（是否以允许的方式办成）→ LLM Rubric（是否办得合适）。越靠下越依赖代码和环境真值。
   • 结果正确 ≠ 过程正确（删失败测试也能通过；口头承诺"7 天退款"也暂时满意）。

3. 四种更新载体按能力的表示性质选择

   • 知识（事实/经验/例外 → Markdown/知识库）；指令（可语言化判断原则 → Prompt/Skill）；程序（确定性流程/强约束 → 工具/工作流/Harness）；参数（高维感知/隐式策略 → SFT/蒸馏/RL）。
   • 首要判断：能力能否被事实、语言规则或程序完整表达？

4. 更新应是"最小 diff + 可回滚 + 可归因"

   • 带来源的最小修改，而非让模型每次重写整份 Prompt/记忆。每个修改请求应是可证伪的变更契约（失败证据、推断根因、归属组件、修改提案、预期修复、可能受损、验证用例）。

5. 在线执行与离线进化分开（双循环）

   • 在线循环只完成任务并记录证据，不直接改写正式 Agent；离线循环聚合轨迹、诊断根因、生成更新提案、通过验证门槛发布。可信根（权限/审计/验证/回滚）不由普通进化流程自行修改。

执行流程（SOP 检查清单）

1. 建三层轨迹验证（结果/过程/Rubric）。
2. 判断更新载体（知识/指令/程序/参数）。
3. 生成最小 diff 更新提案（带来源、可证伪契约）。
4. 双循环：在线记录 + 离线验证发布。
5. 长期整理（合并重复、局部规则移到 Skill、删除被推翻知识、重训 LoRA）。

禁止清单（写清合法例外）

• 禁止把"保存反馈"当"持续进化"（记住≠迁移≠更新≠保持）。例外：四个环节都满足才判定为进化。
• 禁止让模型依据未经验证反馈直接改自身参数（固化错误经验/提示注入）。例外：走验证闭环。
• 禁止让修改者自证成功（安全机制不可自我修改）。例外：独立验证器 + 不可修改可信根。
• 禁止把反思当证据（反思本身不是证据，只是草案）。例外：与环境结果相符、跨轨迹支持、新任务正向迁移才进正式文档。
• 禁止让经验/Prompt/工具无限增长（上下文腐化在更长时间尺度重现）。例外：周期性离线整理。

参考资料

• 本书第 9 章《Agent 的持续进化》。
• 笔记 09-Agent的持续进化.md。
• 子 Skill：evolution-methods、evolution-loop。