昨天收在一個問題：看得見之後，系統會自動變好嗎？L4 的第三塊就是這個：讓每一次執行變成下一次的養分。這塊的行情很亂：幾乎每個 agent 系統都宣稱自己「越用越強」，但打開原始碼，這四個字背後的工程決策從底層就不同：有的進化知識、有的進化工具能力、有的動到模型權重，還有兩個系統刻意選擇完全不自動進化。把六個系統攤開來比，比看任何單一系統都清楚。

進化什麼：四種答案

GenericAgent 結晶執行路徑。 這個約三千行 Python 的極簡框架（Day 2 看過它的 system prompt），只讓成功跑通的任務有資格變成 SOP：agent 完成新任務後自己判斷值不值得保留，值得就提取成 Markdown 寫進技能庫、更新索引。最有意思的特性是私有性：同樣的種子代碼，兩個用了半年的用戶長出完全不同的技能樹，因為做過的任務不同。進化的是屬於特定用戶的積累，而非通用能力。

HermesAgent 走兩層。 prompt 層叫 skill nudge：每 10 次 tool-call 之後，fork 一個背景 review agent 檢視剛才的對話，判斷值不值得結晶成 SKILL.md，判斷標準只有一條：這次任務有沒有試錯過程？沒有試錯的任務不需要記憶，這個門檻防止技能庫被平庸的重複任務稀釋。Day 20（Skills）提過它會提醒 agent 把做法存成 skill，機制全貌就是這樣：agent 主動存，背景 daemon 兜底。它同時還把成功和失敗的完整軌跡存下來餵強化學習、微調模型本身，那是動權重的領域，超出這個系列的範圍，只提一句：它是六個系統裡唯一走到那層的，複雜度和維護成本也最高。

DeerFlow 進化的是對用戶的認知。 不積累技術 SOP，每次工具執行後非同步讓 LLM 分析對話、提取該記住的 facts。三個品質機制：信心值低於 0.7 直接丟棄；超過 100 條就驅逐最低分；還有信號感知，偵測到用戶說「不對」就更激進地清除錯誤記憶，說「就是這樣」就調高信心值。用戶的語氣變成記憶策略的旋鈕。

NanoClaw 進化的是 agent 能跑什麼。 agent 需要新的 package 或 MCP server，透過工具提出申請，host 端發核准卡片給管理員，點了 Approve 才走 docker rebuild。所有真正的系統修改都在容器外執行，agent 只能提出請求。這是風險管理：裝錯的 package 會弄壞容器，惡意的 MCP server 是新的攻擊面。

刻意不進化，也是一種設計

HolmesGPT（Day 7 看過它的極致 prompt）的 skills 是靜態 playbook，沒有任何自動生成機制。這是刻意的選擇：它的定位是 production SRE 調查工具，可預測性比適應性重要。agent 自動修改自己的診斷流程，人就說不清某次調查是照哪個版本的邏輯跑的；靜態 playbook 可以 code review、可以 rollback、可以解釋給 on-call 的人。OpenClaw 則把進化外包給生態：ClawHub 技能市集由社群把關品質，安裝手動觸發，進化的決定權明確在人手上。

兩個系統的共同邏輯：agent 在生產環境對結果負責的時候，行為的可追溯性比適應性更有價值。這跟 Day 26 是同一條線：連進化本身，都要是可回溯的。

設計自我改進，先回答四個問題

進化什麼？ 從系統定位推導：個人化 assistant 記用戶偏好（DeerFlow）、autonomous agent 積累技術 SOP（GenericAgent）、production 工具要可預測（HolmesGPT）。誰決定值得記？ agent 自判、規則門檻、人工核准，對應三種不同的信任假設。可逆嗎？ 多數系統沒認真回答這題：DeerFlow 的驅逐是靜默的，某個事實被丟掉了用戶不會知道；NanoClaw 的核准記錄和 HolmesGPT 的 version control 是少數例外。成本算了嗎？ 每次 skill nudge 是一個額外的背景 agent，每次記憶更新是一次額外呼叫，docker rebuild 要十五分鐘，進化本身有帳單。

還有一個問題藏在所有會進化的系統底下，比這四個都深：它們全都預設自己知道什麼叫「變好」。GenericAgent 用「跑通」當標準、HermesAgent 用「有沒有試錯」當門檻、DeerFlow 用信心值當閘門，這些標準本身，就是一個個 evaluation function。它設計得多準，系統就能改進到多遠；設計得歪，系統只會更快地往錯的方向跑。明天講 L4 的最後一課：eval function 的設計，以及它為什麼是自我改進的天花板。