进化迭代

要解决的工程问题

在复杂任务中，一次 LLM 推理往往难以直接产出可交付的结果：输出结构不稳定、边界条件遗漏、多步推导中途走偏。Evolutionary Iteration 针对的是如何把一次生成变成可度量、可筛选、可保留的迭代过程，而不是简单地加重 token 预算或追加 system prompt。

技能如何工作

该技能围绕进化式迭代展开，核心思路是：

• 多路径探索：同一任务生成若干候选输出，而不是在单条链上反复修补。
• 显式评估：通过可比较的打分或判定机制，识别哪些候选更接近目标。
• 择优保留：高适应度的结果进入下一轮，作为变异或重写的基础。
• 逐步收敛：多轮迭代后，劣解被淘汰，最终保留更稳健的输出版本。

它把「再跑一次」变成有方向的搜索，而非无差别重复调用模型。

适用边界与注意点

• 评估成本不为零：打分策略本身需要设计，规则过粗会让筛选失效。
• 不替代任务拆解：长链路任务仍需先做好规划，迭代只能优化单步或子目标的质量。
• 收敛需要可见信号：若没有清晰的适应度标准，多轮迭代容易退化成随机采样。
• 适合可量化目标：结构正确性、指标达标类任务收益明显；主观性过强的目标需谨慎使用。