进化引擎

解决什么问题

在长期使用 AI Agent 的过程中，单个任务的解法往往被冻结在某条 prompt 里：这次效果不错的回复方式，换个任务可能就失灵了。手动复盘、重写提示词、把经验沉淀成规则，既耗精力，又容易陷入「局部最优」——一旦当前方案看起来够好，就会停止寻找更优变体。

进化引擎的思路来自演化算法：把每一套任务策略看作种群中的一个个体，不追求一次找到完美解，而是通过「变异—评估—选择—遗传」的循环，让策略在代际之间持续改善。

它如何工作

核心机制对应生物演化的五个环节：

• 策略变体：在现有策略上做微小改动，生成候选后代
• 结果评分：用实际执行效果给每个策略打适应度分
• 保留优解：高分策略进入下一代，低分策略被淘汰
• 策略融合：把两个优秀策略的片段组合，产生新候选
• 知识固化：好策略跨任务传递，长期保留

适应度按四个维度加权：任务完成度 30%、执行效率 25%、用户满意度 25%、可复用性 20%。

变异类型会自动选择：策略基本有效时做邻域变异小步微调；连续 3 次失败时触发大变异激进调整；两个好策略可交叉融合；陷入局部最优则重启，放弃当前种群从头再来。

执行在后台静默进行：每个任务完成后自动更新代际种群，用户无感知，偶尔在回复末尾看到一行类似 🎯 第12代，当前适应度均值 92（↑自第1代的72） 的提示。详细记录写入 dreams/evolution-log.json，只有主动问「我们在进化吗」时才展开展示。

适用边界

• 慢，但方向正确：与蜂群智能的实时并行探索不同，进化是跨任务的串行迭代，需要多代验证才能见效。它解决「以后怎么做更好」，不适合需要即时决策的场景
• 依赖反馈信号：用户满意度占 25%，来自接受/修改/拒绝行为；完全无人交互的自动化流程里，这部分评分信噪比较低
• 不是银弹：进化保证每一代比上一代更适应当前环境，但不保证找到全局最优——重启机制正是为跳出局部最优而存在的