一个 Agent 可以越变越快、越变越能说，但如果没人判断它变的方向对不对，这种"进化"可能正是灾难。自我进化的另一半护栏，是评估与对齐：没有评估，进化就没有罗盘；没有对齐，进化可能驶向错误的价值坐标。让 Agent 自己改自己，必须有一套它改不动的底线。
1、没有评估，就没有进化
自我进化最危险的地方，是它让"变化"本身披上了进步的外衣。一个 Agent 改了提示词、换了工具、调了路由，表面看在"迭代"，但如果没有任何度量确认它变得更好，这不过是随机游走被包装成了进化。评估是进化的罗盘------它回答的不是"改了没有"，而是"改对了没有"。
下图把一个 Agent 的四个维度画成一套制衡的仪表盘。真正成熟的系统不会让任何一维长期独占，而是维持在一个动态平衡带内。
2、多维评估体系：不止看能力
一个健康的评估体系至少覆盖四个彼此制衡的维度。能力 衡量任务完成质量与成功率；安全 衡量是否触发违规、越权或有害输出；成本 衡量 token、工具调用与延迟的代价；一致性衡量行为在不同语境下是否稳定、可预期。这四个维度常常互相拉扯------压低成本可能牺牲能力，追求能力可能突破安全
评估的价值，正是把这种拉扯摆在台面上，而不是让某一维偷偷碾压其他维。真正成熟的系统不会让任何一维长期独占，而是维持在一个动态平衡带内。
3、自动评估与人在回路
评估本身也得进化。完全依赖人工标注无法支撑高频迭代------每次策略更新都等人打分，进化就慢成了蜗牛。因此要分层：自动评估 用规则、模型评审或离线基准快速给出信号，覆盖绝大多数日常迭代；人在回路则保留在关键节点------当自动评估发现安全或一致性越界，或某次变更影响面大时，必须交人确认。
一个常被低估的细节是：自动评估器自身也会漂移。用模型评审模型，评审标准若悄悄变松，整个进化都会建立在沙子上。所以评估器要有独立的校准与回归测试，不能和被评估的 Agent 一起"进化"到失去标准。
评估器的标准必须独立于被评估对象。让 Agent 既当运动员又当裁判，是自我进化里最隐蔽的作弊。
4、对齐税：能力增长与价值对齐的张力
每一次让 Agent 更"强"的改动，都隐含着偏离人类真实意图的风险------这被称为对齐税。一个更会说服的 Agent，可能更擅长操纵；一个更自主的 Agent，可能更轻易越过本该请示的边界。自我进化会放大这种张力：它让能力增长的速度，可能快过对齐跟上来的速度。
务实的做法是把对齐做成"不可绕过"的硬约束，而非"建议遵守"的软提示。无论 Agent 怎么自我修改，某些底线（不越权、不外泄、不欺骗）必须由它改不动的外层来执行与审查。
5、回滚与熔断：给进化装刹车
再好的评估也挡不住偶发的坏更新。自我进化必须有一套回滚与熔断机制：当一次策略变更导致关键指标突破阈值，系统立即回退到上一版已知良好状态；当某类失败在短时间内密集出现，触发熔断，暂停自主更新并告警人类。
下图展示了一条带刹车的安全发布链路：新策略先在影子模式接受评估，再小流量灰度，指标正常才全量；任一关失败则回滚或熔断。进化因此不再是单程火箭，而是可刹车的有轨列车。
6、 责任的归属：谁为进化的后果负责
当 Agent 自己改了自己并造成后果，责任落在谁头上？答案回到设计者：系统的更新边界、评估标准、回滚机制，都是人设定的。自我进化把"一次决策"变成"一类决策"，因此责任也必须从"事后追责"前移到"事前定边界"------明确哪些它可自主、哪些必须请示、哪些永远禁止。
收束来看，评估与对齐不是进化的装饰，而是进化的前提。一个没有护栏的自我修改系统，不是更聪明的 Agent，而是一辆没有刹车却踩着油门的赛车。真正成熟的自我进化，恰恰在于它知道自己哪里不能改。
自我进化的终局，不是 Agent 摆脱人类，而是人类把价值与底线，焊进 Agent 永远改不动的那一层。