总览：这个维度的设计谱系
先厘清一个反复被混为一谈的边界：几乎没有任何一个 harness 在运行时改主推理模型的权重。所谓”自进化”，落到源码里其实分布在七条差异极大的路线上，抽象程度从”改权重”到”改一句 prompt”递减。前五条是原 42 家就已成型的谱系，后两条是新纳入的 19 家（尤其 claude-flow、Google ADK、CAMEL）把边界推出来的新分支：
-
离线权重级 eval 驱动模型改进——训一个专精小模型来纠错/评分，信号来自真实轨迹或 eval 集，训练全在 harness 运行时之外（厂商侧离线流水线）。代表：v0 的 AutoFix（RFT）、Factory Droid Shield 的 LoRA、Zed Zeta 的数据修正回路、OpenHands 的 critic-4b。
-
单次运行内的 rubric/critic 评分-重试循环——一个评分器（子代理 / LM-as-judge）对轨迹打分，不达标就注入反馈续跑，受 max_iterations 约束，不持久化。这是”eval 驱动纠错”在产品里最主流的落地形态。代表：deepagents RubricMiddleware、SWE-agent Reviewer、GPT-Pilot BugHunter、Plandex validate-fix。
-
学习型记忆：后台巩固（“dream”）+ 自编辑记忆——跨会话学习，学的是上下文/文件不是权重。内部又分两支：(a) 空闲/定时触发独立子代理蒸馏轨迹（MiMo-Code、Qoder、Letta sleeptime）；(b) agent 用工具主动改写自己的记忆/行为文件（Letta rethink_memory、Agent-Zero behaviour.md）。这是新增 19 家里最拥挤的一条路线。
-
人在环经验蒸馏闭环——用户纠正一次 → 提炼成可泛化规则 → 存记忆 → 未来输出预先自纠，强调显式批准、反对”偷偷改自己”。代表：CrewAI HITL lesson、AutoClaw 进化卡片、Devin Session Insights、DeerFlow Skill 自进化。
-
eval 驱动纠错基础设施（改 harness 自身，不是运行中的 agent）——CI 里跑 benchmark、轨迹聚类做根因分析，团队或 bot 据此迭代 harness 代码/prompt/工具描述。代表：Kiro CORAL、OpenHands verification stack、Replit 自改进闭环。
-
在线 adapter/config 持续学习——只有 claude-flow 一家：把轨迹结果实时喂给一个 Q-learning router + MicroLoRA rank-2 adapter，成功做 EWC++ 巩固，是真正在运行时跑的 RL/持续学习代码——但学的全是极小的 router/retrieval adapter，从不动 base 权重，且代码里自带”不许过度声称”的诚实注释。这是全景里唯一真正意义上的”在线自我改进”。
-
自动化 prompt 进化 / 训练数据自生成——Google ADK 的
optimization/接入 GEPA 做反思式 prompt 进化 + pareto 挑选、以及 simple_prompt_optimizer 的”生成候选→eval 批打分→迭代”；CAMEL 的 Self-Improving CoT 走 STaR 式”生成→reward 打分→反馈改写”产出训练数据。比第 5 组更自动——无需人挑，eval 信号直接驱动 prompt/数据的搜索优化。
一批 harness 在这个维度基本未实现，且大多如实标注，符合其”人机协同编码助手 / 编排基座”而非”自主 agent 框架”的定位：Roo Code、OpenCode、LangGraph、Semantic Kernel、smolagents、Augment、CodeGeeX、UI-TARS Desktop、OpenManus、Continue、Pydantic AI。
对比表
| Harness | 主要机制 | 路线 | 改权重？ | 触发 / 门控 | 关键设计点 |
|---|---|---|---|---|---|
| v0 | AutoFix 模型（vercel-autofixer-01） | 1 | 是（离线 RFT） | 流式生成中途+流后各跑一次 | 与 Fireworks 合作 RFT，86.14 分 @ 通用模型 10-40x 吞吐；三级纠错级联 |
| Factory | Droid Shield 2.0 | 1 | 是（LoRA） | 安全扫描流水线 | Qwen3.6 底座 + 两个 PEFT adapter；CredData 经 LLM judge 重标；按仓库 holdout；权重开源 |
| Zed | Zeta 编辑预测数据修正回路 | 1 | 是（微调 Qwen2.5-Coder-7B） | ep CLI 离线管线 | Score/Qa 做 LLM-judge，Repair 重生成低质预测，反哺微调；prompt 格式版本史可追 |
| OpenHands | CriticBase + critic-4b + verification stack | 2+1+5 | critic 离线训 | 得分<0.6 自动重试(≤3)；PR 标签跑 eval | critic 在真实生产轨迹上训（纯 benchmark 数据 AUC 比随机还差）；Best@8 73.8% |
| claude-flow | SONA 在线 RL + harness-flywheel + MicroLoRA | 6 | 是（rank-2 adapter，非 base） | 每 trajectory-end 在线更新 + 离线 flywheel tick | Q-learning router + EWC++ 巩固；flywheel 爬山优化 retrieval config 带 held-out GATE；代码带”HARD HONESTY RULE” |
| Google ADK | AgentOptimizer / GEPA / simple_prompt_optimizer | 7 | 否（只优化 prompt） | eval 批打分驱动迭代 | 接外部 GEPA 反思式 prompt 进化 + pareto；simple 版生成候选→打分→final validation |
| CAMEL | Workflow Memory + Self-Improving CoT | 3+7 | 否（CoT 产训练数据） | 任务完成存 workflow / STaR 迭代 | summarizer 从成功轨迹蒸结构化 workflow 带版本号，按角色检索复用；STaR reward 驱动改写 |
| Letta | Sleeptime “dreaming” + 记忆自编辑工具 | 3 | 否（RL 见轨迹章） | 每 N 轮触发后台 sleeptime agent | 行号感知 patch 式自编辑（仿 computer-use edit tool）；subagent 用 git worktree 并发改记忆；系统提示自称 self-improving agent |
| Replit | 完整自改进闭环 + Agent 3 自测试 + ViBench | 5+2 | 人门控上线 | Telescope 轨迹聚类 → draft PR → ViBench | 显式”工程师保留发布决定权”；ViBench 揭示模型扩写自己代码更差 |
| Kiro | CORAL + property-aware code evolution | 5+2 | 否（明确不重训） | 每天抽样数千生产会话做 RCA | 一行文案把错误 glob 用法从 26.1%→0.3%；bug-fix 先写可证伪测试 |
| SWE-agent | Reviewer + ScoreRetryLoop | 2 | 否 | 得分<accept 触发全新尝试 | LM-judge 采样 5 次取均值；环境硬重置重跑；get_best() 选最优轨迹 |
| deepagents | RubricMiddleware | 2 | 否 | agent 欲停止时评分 | satisfied/needs_revision/failed 三态；仅 needs_revision 续跑；评分子代理沙箱化 |
| GPT-Pilot | BugHunter + CodeMonkey 自审 | 2 | 否 | 命令结果 LLM 判定触发调试 | 日志埋点式调试循环（ADD_LOGS/PROBLEM_IDENTIFIED）；逐 hunk 自审 diff（MAX_CODING_ATTEMPTS=3） |
| Plandex | validate-fix + 自动调试 | 2 | 否 | tree-sitter 语法非法则重修 | 针对产物 diff（非推理）的有界循环 MaxValidationFixAttempts=3；plandex debug 喂回失败重试≤5 |
| browser-use | judge.py LLM-as-judge + 逐步自评 | 2 | 否 | done 后判 trace；每步评上一步 | judge 结果不覆盖 agent 自报、双写遥测供 eval 平台对比；截图当 ground truth |
| GPT-Researcher | fact_checker→writer / reviewer→reviser | 2 | 否 | 多 agent 批评-修订回环 | 每次从零、无长期学习；learnings 仅单次运行树内传递，结束即丢 |
| QwenPaw | RubricGate + Mission verifier + Auto Dream | 2+3 | 否 | update_goal / rubric SATISFIED | SubAgentRubric 仍是 stub（引 ralph 模式，已规划未实现）；model_capability_cache 学 rejects_media |
| Aider | lint/test 反射循环 | 2 | 否 | 编辑后自动 lint/test，失败反馈 | max_reflections=3；benchmark 是人工挑默认 edit_format，非自动 |
| AutoGPT | Reflexion + Watchdog + Dream-eval | 2+5 | 否 | 重复 command 检测 / 夜间批处理 | 直接引 arXiv Reflexion/Self-Refine；platform 侧记忆 staleness eval |
| OpenAI Agents SDK | sandbox learning-memory 两阶段 | 3 | 否 | Phase1 抽取 + Phase2 巩固 | gpt-5.4-mini 抽 / gpt-5.5 巩固；遗忘保最新 256；live_update 允许 run 中途重写 MEMORY.md |
| Open Interpreter | learning memory 两阶段管线 | 3 | 否 | 历史 rollout 抽取 → 巩固子 agent | 更新 MEMORY.md / skills/ 跨会话复用；默认关；与 OpenAI SDK/MiMo 同谱系 |
| Kilo Code | packages/kilo-memory | 3 | 否 | turn-close 蒸馏 remember/correct/forget | correct 动作 = 修正旧记忆；下次启动索引注入；in-loop 有 CorrectedError 反馈 |
| AgentScope | 长期记忆中间件（三后端） | 3 | 否 | on_reply 异步选记忆文件 | AgenticMemoryMiddleware 近乎逐字复刻 Anthropic memory skill；_reme 后端即 QwenPaw 默认长期记忆 |
| Agno | LearningMachine + Culture + Curator | 3 | 否 | 每 run 后台 future 抽写 | 六路 learning store + decision_log；Culture 跨 agent/team 沉淀共享文化知识（集体经验反哺）；Curator prune/dedup |
| Agent-Zero | behaviour 自调整 + solutions memory | 3+4 | 否 | UpdateBehaviour 工具 merge | agent 能永久改自己的行为准则（behaviour.md 注入每轮系统提示）；成功解法自动存 SOLUTIONS 区复用 |
| DeerFlow | Skill 自进化 + 自我配置更新 | 4+3 | 否 | 5+ 工具/踩坑/被纠正后（默认关） | skill_manage 持久化 per-user skill，写前经 LLM+静态安全审查；update_agent 改自己 SOUL.md/model，untrusted webhook 渠道禁用 |
| MiMo-Code | dream(7d) + distill(30d) | 3 | 否 | 定时，新会话首步后台触发 | SQLite 轨迹为真相源、MEMORY.md 为派生索引；无法验证的事实标 [unverified] |
| Qwen Code | Dream + Extract + skillReview | 3 | 否 | 每轮后 Extract，Dream 定时/手动 | 逐项目游标去重；skillReview 从重复模式建新 Skill |
| Gemini CLI | Auto Memory | 3 | 否 | 会话闲置≥3h、≥10 用户消息 | 只产 .patch/SKILL.md 草稿进 inbox，从不自动应用；跑 Flash preview |
| Codex CLI | Memory Phase 2 + Record & Replay | 3 | 否 | sub-agent 定期改写 | 屏幕录制演示 → 起草可复用 Skill |
| Qoder | Dreams | 3 | 否 | 异步作业，单飞(409) | 写时复制、最小权限(仅 3 记忆工具)、1-5 分钟；一等产品 API |
| Hermes | The Curator | 3 | 否 | 空闲≥2h 且距上次≥1 周 | 只碰 agent 创建的 skill；从不删只归档；pin 跳过；学习图谱可视化 |
| Claude Code | verification-agent + 自动记忆抽取 | 2+3 | 否 | 每轮结束抽取，非平凡改动强制验证 | 对抗式验证契约（禁实现者自评）；skillImprovement 线索未深读 |
| Comate | Memory 自动演化 + Rules 半自动 | 3 | 否 | 自动整理 / AI 提议规则待批 | 上下文自适应，非权重；Rules 需用户接受 |
| Goose | SuccessCheck 重试 + toolshim 微调 | 2+1 | toolshim 离线 | shell 检查失败驱动重试 | 确定性 shell 验证；toolshim 微调是独立小解释器模型（dev 期） |
| Kimi Code | Goal Mode | 2(弱) | 否 | 每 turn 模型自评是否达成 | 硬预算超限强制 blocked；无外部评测信号，属弱意义纠错 |
| Anthropic MAO | 工具/prompt 改进闭环 | 5 | 否 | agent 分析 transcript 重构工具 | 工具测试 agent 数十次调用重写描述，下游耗时 -40%；留出测试防过拟合 |
| AutoGen | task_centric_memory（实验） | 4 | 否 | train_on_task 反复试到失败 | 诊断失败→总结 advice→稳定修复则存 insight；标 EXPERIMENTAL |
| MetaGPT | exp_pool 经验缓存 | 4(案例) | 否 | 默认关闭 | 相似 (req,resp) 完美匹配则跳过 LLM；AFlow/SPO 是 opt-in 研究模块 |
| CrewAI | HITL lesson 蒸馏 + crew.train() | 4 | 否 | 人类纠正后 distill | 提炼可泛化规则存记忆，未来输出预先自纠；train() 收集三元组转 prompt 前缀 |
| AutoClaw | Hermes 自进化（进化卡片） | 4 | 否 | 关键词(“以后/记住”)+自动检测 | 三步人在环显式批准；被拒提案 2 周冷却；四文件分发 |
| Devin | Session Insights → playbook/knowledge | 4+5 | 否 | 每 session 结束自动分类 | 标注 Knowledge 帮了还是误导了；成功 session 建 playbook、失败作反例 |
| Copilot | Copilot Memory 自我修正 | 4 | 否 | 引用校验发现矛盾时覆写 | 矛盾记忆覆写、通过则刷新时间戳；曾用植入错误记忆做对抗评估 |
| Cursor | auditor 模型 / strict harness | 5 | 否 | 离线复核轨迹 | 发现”已解决”63% 实为答案查找；剥离历史后 87.1%→73.0% |
| Trae | reflect_on_result（SWE agent 禁用） | 2 | 否 | 工具失败合成反思句 | 最小反思在 TraeAgent 被改成 no-op；ensemble 多数投票 |
| Cline | 三层 eval 金字塔 + 失败分类器 | 5 | 否 | CI / nightly | contract→smoke→cline-bench；MistakeTracker 是单次运行护栏 |
| Warp | Agent Memory + agent_mode_evals | 4+5 | 否 | 完成任务时可写记忆 | 记忆写入逻辑在服务端；内部 eval 用户列表 + X-Eval-User-ID header |
| Amazon Q | knowledge 工具 + Hooks | 4 | 否 | 用户 /knowledge add | 用户显式整理，非模型自主；重设计源于数十次离线实验 |
| Pydantic AI | ModelRetry → RetryPromptPart | 2(仅 in-run) | 否 | 工具/输出校验失败 | 只有运行内重试反馈；pydantic_evals 是离线工具、不自动回灌；整体判未实现 |
未实现 / 官方未披露：Roo Code、OpenCode、LangGraph、Semantic Kernel、smolagents、Augment、CodeGeeX、Junie、Amp、UI-TARS Desktop（快照系统仅回归测试）、OpenManus（RL 在解耦的 OpenManus-RL 另一仓）、Continue（仅 ReportFailure + 运行内 checklist）。
分组讨论
一、真正动权重的一档：eval 信号 → 专精小模型（离线）
这是最”硬核”、也最需要澄清定位的一组：它们确实训模型，但训练全在 harness 运行时之外，训出来的往往是个辅助纠错/评分小模型，不是主推理模型。
- v0 的 AutoFix 是文档最扎实的一例：从”Gemini Flash 2.0 当规则纠错器”演进到自研
vercel-autofixer-01，用**强化微调（RFT，与 Fireworks 合作）**在追踪到的错误类别上训练，博客给了按类别的错误率训练曲线（真实曲线而非话术），换来通用模型 10-40 倍吞吐下接近的准确率。 - Factory Droid Shield 2.0 是最完整的一条 ML 流水线：Qwen3.6 底座 + 两个 PEFT LoRA（Risk/Downgrade），Samsung CredData 经 GPT-5.5 主评委 + Opus 4.8 仲裁的 LLM-judge ensemble 重标，按仓库整体做 holdout（因为发现文件级 holdout 有信息泄漏），甚至公开了 Downgrade 的效用函数
net utility = false_alarms_cleared − λ·secrets_wrongly_cleared，权重开源在 HF。工程严谨度在全部 61 家里最高。 - Zed Zeta 走的是同一思路的另一形态：
epCLI 定义Score→Qa→Repair→Distill的数据管线，用 LLM-as-judge 修正低质预测，反哺 Qwen2.5-Coder-7B 微调；ZetaFormat枚举的版本史是这条持续迭代的代码级证据。 - OpenHands 的 critic-4b 补上了一个关键洞见：只用 benchmark 数据训 critic，在生产结果上 AUC 0.45-0.48（比随机还差），混入真实生产监督后才到 0.58-0.69——这是”benchmark ≠ 生产”最直接的量化证据。
- Goose 的 toolshim 微调也属这档，但改进的是随附的独立小解释器模型，离主 agent 更远。
这几家的共同点：都不声称”从你的对话在线学习”，都明确把训练划为聚合信号驱动的离线过程。v0 dossier 里那句”不能把 eval 驱动的模型训练等同于在线自我修改”是这一组的统一注脚——而下面第六组的 claude-flow 恰恰是唯一的反例。
二、单次运行内的 rubric/critic 自纠错：产品化最普及的形态
如果说第一组是少数派，那这一组是”eval 驱动纠错”在产品里真正跑起来的主流。机制高度同构：一个评分器（子代理 / LM-judge）对轨迹判定，不达标就注入反馈续跑，受 max_iterations 约束。
学术源头清晰：AutoGPT 的 ReflexionPromptStrategy 直接引用 arXiv:2303.11366（Reflexion）、2303.17651（Self-Refine），是这条”GENERATE→EXECUTE→REFLECT→RETRY”谱系在开源 harness 里最早、最忠实的实现之一。之后各家做的都是它的工程变体：
- deepagents 的 RubricMiddleware 是设计最干净的现代版：调用方声明 rubric，agent 欲停止时评分子代理判
satisfied|needs_revision|failed，只有 needs_revision 才续跑，评分子代理还被沙箱化限定在证据路径内。QwenPaw 的 RubricGate 与它几乎同构，且诚实标注 SubAgentRubric 引用了 “ralph 模式” 但还是 stub、未实现。 - SWE-agent 的 Reviewer + ScoreRetryLoop 更”重”：LM-judge 采样 5 次取均值、失败施加惩罚、触发时做环境硬重置+全新 agent，最后
get_best()选分最高轨迹——把 best-of-N 和 reviewer 融进了一个循环。 - Kiro 的 property-aware code evolution 把这套做得最形式化：bug-fix 前先写可证伪的 bug-condition 测试（必须在未修复代码上 FAIL）和 preservation 测试，修完重跑，测试没翻转就说明假设被证伪要重查——red-green TDD + property-based testing（底层 Hypothesis）的严谨版。
- 新增的三家把这条路线的”验证信号”来源做出了差异：GPT-Pilot 的 BugHunter 是日志埋点式——用魔法词让 LLM 判”问题已定位 / 需更多日志”（
ADD_LOGS/PROBLEM_IDENTIFIED），Developer 插桩、用户复现、循环重复，且 CodeMonkey 会逐 hunk 自审自己的 diff（MAX_CODING_ATTEMPTS=3）；Plandex 的 buildValidateLoop 用确定性 tree-sitter 语法校验驱动重修（针对产物 diff 而非推理，MaxValidationFixAttempts=3），外加plandex debug把命令失败输出喂回重试；browser-use 则把截图当 ground truth——每步强制evaluation_previous_goal判定上一步成败，done 后judge.py的 LLM-as-judge 对整条 trace 打 verdict，但关键设计是 judge 结果不覆盖 agent 自报、两者双写遥测供 eval 平台对比，是评测而非在线纠错。 - 轻量端：Aider 的 lint/test 反射（
max_reflections=3）、CrewAI 的 guardrail 重试、Kimi Goal Mode 的每-turn 自评、GPT-Researcher 的 fact_checker→writer / reviewer→reviser 批评-修订回环（每次从零、无长期学习），都是这套的简化版；Pydantic AI 只到ModelRetry → RetryPromptPart的类型化校验重试，smolagents 只到”把错误当 Observation 追加”的 prompt 层重试，是下限。 - 反面案例值得记：Trae 的基类有
reflect_on_result合成反思句，但 TraeAgent 把它重写成了 no-op——即在实际的 SWE agent 上，连最小反思都被关掉。这提示”反思注入”未必总是净收益。
三、学习型记忆：dream 后台巩固 + 记忆自编辑
这是全景里最有趣的趋同现象，也是新增 19 家最集中落地的一条路线。机制骨架一致——跨会话把轨迹蒸馏成持久化的记忆/技能文件——但内部分成两个明显的子谱系。
3a. 后台巩固（“dream”式 sleep-time compute）：空闲或定时触发独立子代理读原始轨迹再蒸馏。至少五家不约而同用 “dream” 命名：
- MiMo-Code 把它做成配对功能 dream(每 7 天，巩固记忆) + distill(每 30 天，打包工作流)，官方博客直接列为独立的 “evolution” 主题；把 SQLite 轨迹 DB 当真相源、MEMORY.md 当派生索引，无法验证的事实标
[unverified]，还鼓励把 “Created nothing” 当合法成功输出——防过度沉淀。 - Qoder 的 Dreams 安全设计最讲究：写时复制（输入 store 永不原地改）、最小权限（Dreaming Agent 只有 memory/session_list/session_read 三工具、无代码执行无网络）、单飞（同用户并发 409）。把这个能力做成了一等产品 API。
- Hermes 的 Curator 是”技能生命周期管理”版：空闲≥2h 且距上次≥1 周触发，只碰 agent 自己创建的 skill、从不删只归档、pin 的跳过。
- 新增家里，OpenAI Agents SDK 是这条谱系的官方 SDK 级实现：sandbox learning-memory 明确”让未来 run 从过去 run 学习”，Phase1（
gpt-5.4-mini抽取）+ Phase2（gpt-5.5巩固）两阶段写MEMORY.md，还带遗忘机制（按 recency 只留最新 256 条）和live_update允许 run 中途重写过时记忆——把 MiMo 那套用一线厂商的严谨度重做了一遍。Open Interpreter 的两阶段 learning memory、Kilo Code 的kilo-memory（turn-close 蒸馏 remember/correct/forget，correct 即修正旧记忆）都是同一模板的成员。 - AgentScope 值得单独点名：它的
AgenticMemoryMiddleware近乎逐字复刻 Anthropic 的 memory skill（memory 分 user/feedback/project/reference、两步保存=写 md + 加索引行、还带”记忆会过期用前先核实”的告诫），而其_reme后端正是 QwenPaw 的默认长期记忆——AgentScope 作为 QwenPaw 的底座，这条记忆自进化能力是从底座继承而来的，两者应连起来看。 - Qwen Code 的 Dream/Extract、Gemini CLI 的 Auto Memory、Codex 的 Memory Phase 2、QwenPaw 的 Auto Dream（cron
0 23 * * *）都是这一子谱系的成员。安全姿态分两极：Gemini CLI 最保守——只产.patch/SKILL.md草稿进 inbox、从不自动应用、默认关闭；MiMo-Code/Qoder/OpenAI SDK 则默认自动写入（靠证据门槛 + 写时复制/遗忘兜底）。
3b. 记忆自编辑（agent 用工具主动改自己的记忆/行为）：这是新增家带来的、比”后台巩固”更激进的子模式——不是等空闲再策展，而是把”改记忆”做成一等工具让 agent 随时调。
- Letta 是这个维度的集大成者，也是整份对比里记忆自进化设计最完整的一家：一方面有 Sleeptime / “dreaming” 后台异步子代理（前台回复后派 sleeptime agent 整理/去重/提炼 lessons，
sleeptime_agent_frequency每 N 轮门控、断点续处理）——属 3a；另一方面把记忆自编辑做成行号感知的 patch 式工具族（rethink_memory重写整块、memory_replace/memory_insert/memory_apply_patch，明确参考 Anthropic computer-use 的 edit tool），还支持”记忆去碎片化 / doctor”用 git worktree 让 subagent 并发改记忆不阻塞主 agent。系统提示直接自称 “self-improving agent”，step_manager还给每步打 positive/negative feedback。 - Agent-Zero 是同一思路作用在行为准则上：
UpdateBehaviour工具把新调整用 utility model merge 进behaviour.md，而该文件被注入每轮系统提示——agent 能在对话中永久改写自己的行为守则；配合 solutions memory 自动存成功解法供 recall 复用。 - DeerFlow 把这条推到自我配置：
update_agent工具让自定义 agent 改自己的SOUL.md/config.yaml/tool_groups/model——但配了明确安全闸门：来源不可信的 webhook 渠道（如 GitHub 外部评论）不给update_agent。
四、人在环经验蒸馏 + Skill 自进化：反对”偷偷改自己”
与第三组”后台自动巩固”相对，这一组把显式批准 / 显式触发当作第一原则，机制是”用户纠正 → 提炼可泛化规则 → 存记忆/skill → 未来预先自纠”：
- AutoClaw 是这个维度披露最详尽的一家，品牌名就叫”Hermes 自进化”：三步流程（陈述 → 提”进化卡片”展示打算记什么 → 用户显式批准），原则明写”AutoClaw 永远不会偷偷修改自己”；触发分关键词（以后/记住/永远/从不）和自动检测（10+ 次工具调用）两路；护栏具体到”被拒提案 2 周冷却期”。
- CrewAI 的 HITL lesson 是代码层面最完整的闭环：
_distill_and_store_lessons()从人类纠正提炼DistilledLessons，_pre_review_with_lessons()在人类看到下一次输出之前就把匹配教训应用上——真正做到”预先自我修正”。 - Devin 的 Session Insights 把评估颗粒度做得最细：每 session 结束自动标注每条 Knowledge 帮了还是误导了，直接反哺 Knowledge 质量；还能”用失败 session 作反例优化已有 playbook”。
- 新增的 DeerFlow 是”Skill 自进化”的代表实现：任务用了 5+ 工具 / 踩了非显然坑 / 被用户纠正后新解法有效 / 发现可复用工作流 →
skill_manage持久化 per-user skill（默认关），且写 skill 前经 LLM moderation + 静态扫描双重安全审查，防自写 skill 引入危险内容——是这条”从经验固化 skill”路线里安全设计最完整的一家（对比 Qwen Code skillReview、Hermes Curator 只做生命周期管理，DeerFlow 多了内容安全门）。 - Copilot Memory 的自我修正最像”自愈”：引用校验发现矛盾时覆写为修正版、通过则刷新时间戳，GitHub 还用植入错误记忆做过对抗性评估——记忆一致性被当成可测指标。AutoGen 的 task_centric_memory（实验）、MetaGPT 的 exp_pool 经验缓存也在这一组的更”案例推理”一端。
五、改 harness 自身，不是改运行中的 agent
这一组容易被误当成”自进化”，但改的对象是产品/harness 代码本身，靠人或 bot 在 CI/离线闭环里迭代：
- Kiro 的 CORAL 是”轨迹反哺 harness”最清晰的证据：每天抽样数千真实会话做 LLM 根因分析，把高置信经验转成已上线的 prompt/工具描述改动（明确”无需模型重训”）——一行文案把错误 glob 用法从 26.1% 降到 0.3%；自动改写
cd X && cmd消除一个影响 18% 会话、100% 失败的模式。 - Replit 的自改进闭环把这套做成产品哲学（“能造软件的 agent 也该能改进 agent 自身”）：Telescope 聚类 → draft PR → ViBench + A/B 评测 → 建议上线，但显式声明不自动上线，工程师保留发布权。ViBench 还贡献两条实证：前沿代码基准分不能可靠迁移到完整应用构建；多数模型扩写自己先前代码时表现更差。
- OpenHands 的 verification stack（评审 bot + QA agent 跑在自己每个 PR 上，合并耗时 -58%、覆盖率 +25%）、Anthropic 的工具改进工作流（工具测试 agent 数十次调用重写描述，下游耗时 -40%）都是样板。
- Cursor 的 auditor 模型是这组里的”eval 方法论纠错”：复核 731 条轨迹发现”已解决”里 63% 实为答案查找，据此构建剥离历史的 strict harness，分数从 87.1% 掉到 73.0%——纠正的是评测本身的诚实度。
六、在线 adapter/config 持续学习：claude-flow 的独一份
claude-flow 是整份 61 家对比里唯一一个在运行时跑真 RL/持续学习代码的 harness，也是”被吹得最凶却意外部分为真”的一维。它三层叠加，全都在学小型本地 adapter/config、从不动 base Claude 权重：
- 轨迹→routing 在线学习：每次 trajectory-end 把轨迹持久化（带 embedding + 成功/失败标签），SONA optimizer 用 reward（+1.0 成功 / -0.5 失败）更新 Q-learning router，成功时做 EWC++ 巩固（Fisher-info 更新、用 trajectory embedding 当梯度代理）——是真的在线 RL。
- eval 门控 config 自优化（离线 flywheel）：
harness-flywheel每 tick 从本地 store 采自监督 benchmark，在 TRAIN split 爬山优化 retrieval config，再在 HELD-OUT split 经真实 eval GATE（held_out_improves + anchor-no-regress + drift≤thr + replay 确定性 + canary-no-worse）冠军化——一个合法的 eval 驱动纠错环，$0、确定性。 - adapter 训练：MicroLoRA rank-2 adapter + InfoNCE 对比学习，走真实 epoch/loss/EWC/磁盘 checkpoint，但训的是极小的 router/memory adapter。
最值得学的是它代码里写死的诚实边界：weight-eft.ts 头部有一条 “HARD HONESTY RULE (do not overclaim)“，明说它的 train 从不真 spawn GPU tune、resolved 标签只是代理（“ruflo 没有 SWE-bench gold oracle”）。所以”越跑越聪明、有证据”只适用于在自标注数据上的 router/retrieval config，而非可证明的端任务准确率提升。这种把 overclaim 风险写进源码注释的做法，本身就是这个营销重灾区最稀缺的品质。
七、自动化 prompt 进化 / 训练数据自生成
比第五组更自动的一支——eval 信号不经人挑，直接驱动 prompt 搜索或训练数据生成：
- Google ADK 的
optimization/是框架内置的 eval 驱动 prompt 优化器（但不做参数训练）：gepa_root_agent_prompt_optimizer接外部 GEPA 框架做反思式 prompt 进化——evaluate（跑 agent 打分）+make_reflective_dataset（把失败轨迹喂反思）+ pareto 挑选；另有simple_prompt_optimizer走”生成候选→eval 批打分→迭代→final validation”。这把”人看 eval 再改 prompt”（第五组）自动化成了闭环搜索。 - CAMEL 有两块：Workflow Memory（workforce worker 完成任务后用 summarizer agent 从对话+工具轨迹蒸出结构化 workflow，带
workflow_version，下次按角色检索注入——从自身成功轨迹学经验跨任务复用，属第三组）；Self-Improving CoT（STaR 式：generate_reasoning_trace → evaluate_trace（reward model 打分）→ 分数不够则improve_trace迭代，支持 rejection sampling），产物是训练数据而非在线改权重——是把 eval/reward 驱动的自纠错用作离线数据引擎。
最值得借鉴的设计
1. Letta 的”记忆自编辑工具族 + sleeptime 后台巩固”双层组合，是学习型记忆这条主线的集大成参考。 全景里”跨会话学习=改上下文/文件”已是共识，但绝大多数 harness 要么只做后台巩固（3a，被动、定时），要么只做主动写记忆（一个 remember 工具了事）。Letta 把两者拼成完整体系：前台随时可调行号感知的 patch 式自编辑工具（memory_apply_patch 等，直接借鉴 Anthropic computer-use edit tool 的成熟设计），后台再由 sleeptime agent 异步整理去重、甚至用 git worktree 并发改记忆不阻塞主循环。这套”实时自编辑 + 睡眠时巩固”的分工，加上 Qoder Dreams 的安全三件套（写时复制 + 最小权限 + 单飞）和 Gemini CLI 的”只产草稿进 inbox、从不自动应用”保守姿态，共同拼出了”记忆型自进化”从激进到保守的完整可选谱系——任何要做长期记忆的 harness 都能按信任级别在其中取一档。而 DeerFlow 给自写 skill 加内容安全审查、给 update_agent 按渠道可信度设闸门，补上了”自编辑”最容易被忽视的安全维度。
2. claude-flow 的”HARD HONESTY RULE”与 OpenHands critic-4b「benchmark≠生产」量化教训——把自欺写进纪律。 自进化是整份调研里营销水分最大的维度，而这两条恰恰是解药，且不是某个可复制模块而是方法论纪律：OpenHands 用实测证明”只在 benchmark 上训的评分器在生产上 AUC 比随机还差（0.45-0.48）“，Factory 补上”文件级 holdout 有信息泄漏、必须按仓库整体 holdout”，Cursor 的 auditor 揭穿”已解决里 63% 实为答案查找”，而 claude-flow 干脆把”不许 overclaim、resolved 只是代理信号、没跑过真 GPU tune”写进源码注释。它们的共同价值在于：前六组所有花哨的自纠错/自学习循环，只要评分信号本身不可信、评估集有泄漏、或对能力提升过度声称，就全是空转——先诚实地定义”什么算变好”，比任何一个具体循环设计都更该先记住。