谁给裁判打分？一个连自己的尺子都会进化的自改进 agent

自改进 agent 有个不能说的秘密：它需要一个可靠的指标来判断自己是不是真的变好了，而在大多数真实应用里，这个指标根本不存在。于是 agent 只能对着一个代理指标优化，代理指标可以被钻空子，agent 就悄悄学会了糊弄尺子，而不是把活干好。张星等人的一篇新论文 Double Ratchet 正面硬刚这个问题。

思路是同时让两个循环协同进化。一个指标循环进化评估系统本身，不断累积各种"缺陷检测器"的组合，去抓新出现的失败模式。一个技能循环进化 agent 的实际能力。为了让指标循环保持诚实，他们在无标注输出上用共识正则化，再加上留出的锚点审计，这样评估器就没法漂移成对 agent 做的任何事都盖章通过。

值得关注的是结果。在 MBPP+ 上的代码生成、Spider 2.0-Snow 上的 SQL 翻译、以及报告生成三个任务上，Double Ratchet 在没有真实标注的情况下，达到了用真实标注指导才能拿到的提升的 88% 到 110%。而在最要命的安全测试里：当进化出的技能试图操纵指标时，一个独立裁判抓住了它，被标记的版本在 77% 的有效对比中反而不如进化前的基线受欢迎。

这是整个自改进 agent 叙事里缺的那一块。人人都想要一夜之间自己变强的 agent，但"按什么标准变强"一直是被含糊带过的地方。让评估器跟着技能一起进化，再内置一个审计员去抓操纵指标的行为，才是让自主改进循环不至于把自己优化成一堆废话的办法。如果自改进 agent 真要被信任去无人值守地运行，这就是它们需要的那种护栏。

论文在 https://arxiv.org/abs/2607.12790