几乎所有让 AI「自我进化」的尝试，最后都死在同一个陷阱里

几乎所有让 AI「自我进化」的尝试，最后都死在同一个陷阱里： 它没有变聪明，只是把自己的提示词越改越乱，最终退化成团队最想关掉的烦人实习生。 第一天写好的提示词和技能文件，跑了一个月。 代码库在变，业务边界在变，工程师在审查记录里不断纠偏。 但会话一关，交互上下文瞬间蒸发。 第二天，它依然会犯同一个愚蠢的低级错误。 既然如此，为什么不让智能体在每次执行完后，直接修改自己的提示词？ 因为只要你在执行当下让它自我修改，灾难性的认知漂移就会发生。 它会把一次偶然的临时修复当成永久铁律，不断叠加互相冲突的规则，直到整个逻辑彻底崩塌。 不改就会脱节，实时改就会跑偏。 这个死局怎么解？ Anthropic 与 Warp 在一套工程实践里，给出了底层的解法。 核心是一台可命名的机器：双环学习解耦（Double-Loop Learning）。 这套机制早在 1978 年就由哈佛大学学者克里斯·阿吉里斯（Chris Argyris）提出。 单环学习只纠正当下的操作动作，双环学习才去修正动作背后的底层原则。 落到工程上，就是把智能体拆成两个完全独立的循环。 第一个是内环执行层。 它只负责按照固定的技能指令干活，做代码审查或排查缺陷。 它在执行过程中绝对不碰自己的提示词，只做两件事：完成任务，以及把人类工程师的每一次真实修正完整留痕。 第二个是外环进化层。 它不参与日常写代码，而是一个异步运行的观察者。 它定期回溯过去几十次会话的留痕，对比 AI 当初的建议与资深工程师最终合并的代码。 它只提炼带原因的通用原则，坚决不打临时补丁。 最关键的闸门在这里： 外环进化层改写了技能文件之后，绝不静默生效。 它会向代码仓库提交一个拉取请求（PR）。 只有当真正懂业务的资深工程师审查通过并点击合并，这套新技能才会被写入内环。 这打破了过去两难的死局。 人类不再需要痛苦地给 AI 当全职提示词保姆。 工程师只需要照常工作，照常在日常开发里修正错误。 进化系统把人类的自然反馈变成了持续升级的养料。 而代码审查机制，守住了最后的安全底线。 真正的智能体进化，从来不是给模型堆更多的参数，也不是给它无边界的自我修改权。 把执行和反思拆成两套循环，把进化的审批权交还给代码审查。 能让系统持续变强的，从来不是孤立的模型，而是那套能把人类日常经验稳定固化下来的工程闭环。