> ## Documentation Index
> Fetch the complete documentation index at: https://docs.profy.cn/llms.txt
> Use this file to discover all available pages before exploring further.
# 自进化系统
> 双棘轮质量保证：专家的技能如何只向更好的方向进化
传统 AI 应用发布后就是固定的——除非开发者手动更新。袋袋的专家不同：它们通过真实使用自我进化。每一次有质量的对话都是学习机会，每一次技能改进都有严格的质量保证。
> **只会变好，不会退化。**
这不是口号，而是系统级保证——双棘轮机制从数学上确保每一次进化都是正向的。
## 进化触发
不是所有对话都会触发进化。只有「有质量的交互」才值得学习：
* 当一次对话中工具调用达到一定次数时，后台自动触发进化分析
* 简单问答（「今天天气怎么样」）不会触发——只有涉及复杂操作的对话才能暴露技能的优劣
* 进化在后台异步执行，完全不影响当前对话
进化使用独立的后台线程。即使进化分析失败或超时，也绝不会影响正在进行的对话。
## 进化分析过程
分析专家在哪些环节表现流畅，哪些地方犹豫或走了弯路。
将对话中的行为模式与专家当前的技能文档对比——是否有遗漏的最佳实践？是否覆盖了实际遇到的场景？
输出具体的改进建议——不是抽象的「做得更好」，而是「在步骤 3 增加错误处理分支」或「将模板从 5 步简化为 3 步」。
对改进前后的技能进行 10 个维度的量化评分，确保改进确实是「更好」而非只是「不同」。
## 双棘轮质量保证
进化系统的核心创新是**双棘轮机制**——像棘轮一样只能朝一个方向转动。10 个评分维度分为两组，各有独立的约束：
### 质量组（7 个维度，不可退步）
| 维度 | 检查什么 |
| ------ | -------------- |
| 前言质量 | 是否清楚声明了适用场景和约束 |
| 流程清晰度 | 每一步是否有明确的执行标准 |
| 失败编码 | 是否覆盖了常见失败场景 |
| 可执行具体性 | 是否避免模糊表述，可直接执行 |
| 架构适配 | 是否考虑了实际运行环境 |
| 反模式覆盖 | 是否明确列出了「不要做」的事 |
| 实证扎根 | 是否基于实际案例而非想象 |
### 效率组（3 个维度，必须进步）
| 维度 | 检查什么 |
| ----- | -------------- |
| 步骤经济性 | 是否用更少的步骤达到同样效果 |
| 探索替代 | 是否减少了盲目试错 |
| 上下文占用 | 技能文档本身是否足够精简 |
「上下文占用」由系统自动计算（技能文档的字符数），而非 AI 自评。技能文档每次对话都会被注入上下文，越大意味着越高的固定成本。这个维度确保进化不会产生「越来越臃肿」的技能。
### 通过条件
进化建议被接受的唯一条件——**两条必须同时满足**：
1. **质量组总分不降**：改进后 ≥ 改进前（允许部分维度小幅波动，但总体不退步）
2. **效率组严格提升**：改进后必须比改进前更好（不允许持平）
不允许「牺牲质量换效率」或「牺牲效率换质量」——**跨组抵偿被禁止**。这意味着大多数改进建议会被系统拒绝，但通过的那些一定是真正的进步。
## 创作者审核
即使通过了双棘轮验证，进化建议也不会自动生效——它需要创作者的最终审核：
改进被应用到专家的技能中。下次对话时，专家将使用改进后的行为模式。
保留原样。建议被记录但不生效。
你可以在 Studio 的进化日志中查看所有进化历史——建议时间、触发对话、改进内容、10 个维度的前后评分对比、审核结果。完整的进化轨迹可追溯。
## 与传统 ML 的区别
| 维度 | 传统 ML 训练 | 自进化系统 |
| ---- | -------- | -------- |
| 数据需求 | 大量标注数据 | 真实对话即数据 |
| 更新方式 | 批量重新训练 | 增量技能改进 |
| 质量保证 | 验证集指标 | 双棘轮硬约束 |
| 透明度 | 黑盒权重变化 | 可阅读的技能文本 |
| 可逆性 | 需要回滚模型 | 忽略建议即可 |
自进化系统不修改模型权重——它通过改进「指导 AI 行为的技能文档」来实现进化。整个过程完全透明、可审核、可逆转。