Agent 怎么让它自进化
提问
张昊阳的做法不是重训模型，而是让 Agent 在循环中把经验写成 Gene（方法论）和 Capsule（参考答案），再带着环境指纹迁移到别的 Agent 上复用。
自进化的载体是一份可迁移的“小抄”
材料里的观点张昊阳把自进化落在 GEP 协议上，分三块：Gene 是方法论，Capsule 是参考答案，Events 记录生成时的事件和日志，且为可选项。Gene 加 Capsule 相当于“解题思路加参考答案”。他特别强调 Capsule 是“参考答案”而非标准答案，并要求 AI 上传设备指纹，让新环境下的 Agent 意识到条件可能不同，从而减少对环境的依赖、自己调整参数1,2。
这与 Skills 的区别在于：Skills 是软件包或工作流，有环境限制，Linux 上能用的换到 Windows 可能出问题1,2。立正在另一场对话里也把 Skills 比作给员工写的 SOP，强调它靠精确的输入输出和状态暴露来降低出错3。
循环、门槛和成本是三个关键条件
材料里的观点张昊阳说，经验是在类似强化学习的循环里反复跑 Evolver、不断总结成 Capsule 的，他用“在 Agent 里做出 Agent 的 LoRA”来形容这种效果1,2。
但他同时给了限制条件：Capsule 上传云端要求置信度高于约 0.7，还对“爆炸半径”、一次能改多少文件做约束，换来又小又轻又解耦1,2。他也指出自进化的前提是模型智能超过某个水平：哪怕 95% 正确率，5% 的偏差在没有纠偏机制时经多次迭代会放大2。
他举的测试是在物理竞赛榜单上，让已学过 arXiv 论文并总结出 Gene/Capsule 的 Agent 去跑，几轮排名从全球第三到第二，第三轮得分高于 GPT，成本不到 1 美元 token，而对比对象花了 200 美元。这是张昊阳自述的测试，他本人也说没做大规模基准测试1,2。
立正怎么看：认可“不依赖人类进化”，但把 LoRA 的比喻收窄了
立正当场回应说“非常的 impressive”，并明确修正了一处：LoRA 并不会自我进化；他认为张昊阳找到的是在 context window 内、不触碰昂贵预训练的前提下让模型学习的有效方式，而且模型可以在此基础上不依赖人类进行有效进化1。这是立正对这项具体判断的认可，不等于他认可张昊阳的全部说法。
立正自己在别处对 Agentic AI 的界定也是“调用工具、多步决策、自我迭代”，并强调执行一步、看结果、再决定下一步，出错自己改4。这与张昊阳描述的循环方向一致，但两人谈的层次不同：立正讲的是 Agent 的能力定义，张昊阳讲的是把经验沉淀成可复用 JSON 的工程协议。
张昊阳的竞赛成绩和 11000 多个 Agent 等数据均为其自述，片段中没有第三方核验；他也承认未做大规模基准测试。片段未说明 Gene/Capsule 的具体字段和 Evolver 循环的完整实现细节。
回到4份原文
张昊阳讲 GEP 协议、Gene/Capsule/Events 的分工与限制，立正当场回应并修正 LoRA 比喻。
补充自进化的前提条件、错误率放大问题，以及和 Cursor、Claude Code 一类上下文工程的区别。
立正用 SOP 解释 Skills 的定位，帮助理解 Capsule 与 Skills 的差异。
立正对 Agentic AI 核心能力（调用工具、多步决策、自我迭代）的界定，可作背景对照。