Agent 方法与评测

规划、反思、自进化、多 Agent 协作，以及效果如何被可靠评估。

文章

2 篇

从 Context、Memory、Skill、Workflow、代码到模型权重，梳理 Agent 自进化的对象、反馈信号、更新周期与安全边界，并结合 ACE、EvoSkill、DGM、AlphaEvolve 与自进化综述，分析哪些修改值得保留、哪些会越改越差。

从任务契约、结果与轨迹评测、LLM Judge、数据分层到 reward hacking、统计显著性、准入门禁和灰度回滚，搭建一套能判断 Agent 改动是否真的更好的评测闭环。