标题Rethinking Self-Evolving Agents: Do We Still Need Prescribed Optimization Pipelines?来源arXiv, 2608.09629v1️文章简介研究问题当使用前沿大模型作为优化器时是否仍然需要框架预设特定的任务优化流程如证据收集、修订、选择等步骤主要贡献论文提出了开放式优化OEO框架证明在固定外部契约下足够强大的优化器可以在线自主组合改进过程且性能优于或持平于预设流程方法。重点思路提出开放式优化OEO概念将外部治理的“优化契约”目标、预算、数据边界等与任务特定的“优化元策略”分离。OEO保留契约约束但允许优化器在线决定如何收集证据、修订技能及何时停止而非遵循预设流水线。选取两种互补的预设方法进行对比SKILLOPT代表分阶段、有界编辑的训练流水线GEPA代表基于反思的进化搜索。两者均固定了具体的改进程序而OEO则将这一决策权交给优化器。设计多层次实验验证首先在8个基准测试中将GPT-5.5驱动的OEO与SKILLOPT和GEPA进行头对头比较其次通过零交互静态重写控制组排除增益仅来自模型先验知识的可能性最后通过能力阶梯实验测试不同能力等级优化器在OEO接口下的表现。进行轨迹分析对比OEO与SKILLOPT在优化路径上的差异包括最大编辑幅度、部分广度及修订更替率并评估最终选定技能在 item-level 的行为重叠度。分析总结在前沿模型GPT-5.5作为优化器时OEO在14次对比中取得12胜1平1负且仅使用了SKILLOPT配置预算中位数34.3%的目标交互token证明其高效且具备竞争力。零交互控制实验显示单次静态重写的性能显著低于OEO尤其在LiveMath等复杂任务上出现倒退证实OEO的增益来源于交互式反馈循环而非单纯的模型先验知识。委托优化存在能力边界中等能力优化器在预设流程SKILLOPT下表现优于OEO弱优化器甚至无法在OEO接口下产生有效动作。这表明预设流程对于能力较弱的优化器是必要的脚手架。轨迹分析表明预设流程主要改变优化的路径而非最终行为。OEO倾向于更大范围的编辑和更高的修订更替率但最终选定的技能在多数情况下与预设方法解决相同的实例集合路径差异不必然导致行为差异。个人观点论文重新定义了自进化代理中框架与模型的分工边界它并未完全否定预设流程的价值而是提出了一种“能力自适应”的责任分配原则对于前沿模型应赋予其在线组合优化策略的自由以追求效率和灵活性而对于较弱模型预设流程则是保障系统稳定运行的必要约束。