让AI agent像生物一样持续进化的元技能，通过感知差距-设计实验-A/B验证-固化优胜的循环实现能力自提升
说明：
## 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 ?? 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
会员专属
