提出新流程，不等于取得生效权
一个智能体完成任务后，发现当前流程绕了远路。它总结经验、删掉一个步骤、增加一条捷径，并把新结构保存下来供下一次直接使用。修改看起来合理，也可能确实提高效率。
但此时发生的不只是“记住经验”。新流程会改变未来动作的顺序、工具选择、停止条件和副作用。允许模型提出修改，与允许这份修改支配后续工作，是两种不同权力。
本文的判断是：自演化流程在通过显式采纳门之前，只能是候选控制状态。生效流程必须保留独立、稳定的身份；采纳证据不能只来自生成提案的同一批轨迹。
修改流程是在部署控制状态
普通笔记可以提供参考，流程状态却会直接改变行为。它决定什么时候调用工具、先观察什么、遇到失败是否继续，以及哪个条件可以结束任务。即使模型和工具没有变化，流程变化也可能扩大效果范围。
因此，流程修改更接近一次策略部署，而不是文本润色。最危险的设计是让改进器直接覆盖生效状态：系统来不及固定候选身份，也无法证明后来测试的内容与最终启用的内容完全相同。
合理的第一条边界是：执行期间冻结当前生效身份；离线生成的新结构只进入候选区。提出者可以反复探索，但它没有自动获得激活权。
留出证据为什么有价值
同日研究对象分析的 Procedural Graphs（流程图方法）把流程知识外置成带属性的有向图。研究在每个推理阶段保持已采用图不变，在批次之间生成候选，再进行结构检查和验证。
候选所用的验证样本与生成修改的训练轨迹分离，也与最终测试集合分离。只有当平均验证表现不低于保留基线时，候选才替换当前图。这里真正重要的不是某个分数，而是证据关系：生成变化的材料，不能同时充当批准变化的全部依据。
这种分离降低了系统仅凭“我在刚才的案例里更好”就宣布升级的风险。它把改进主张变成可以拒绝的候选，而不是自动生效的自我描述。
拒绝不是故障，而是正常结果
研究公开的搜索轨迹并不单调上升。有些轮次没有形成可提交更新，一次提案没有通过结构校验，还有候选因验证存活率从百分之九十降到百分之八十五而被拒绝。被拒绝的候选可以保留为负面证据，却不会成为下一轮生效图。
这条轨迹说明，自演化系统若只记录“最后升级成功”，会丢失最有价值的治理信息。没有变化、结构失败和行为退化，都是关于搜索边界的证据。
拒绝状态必须耐久但不可执行。它可以帮助后续提案避开旧错误，却不能在恢复、缓存命中或版本回退时被误当成曾经批准的版本。否则，保存负面证据本身会变成一条旁路激活通道。
数据分离不等于裁决独立
留出样本提供真实的证据隔离，但它不自动带来完整独立性。研究配置中，求解、引导和离线改进可能使用同一底层大语言模型。不同数据集合可以避免直接记住提案轨迹，却仍可能保留共同盲点。
此外，平均任务表现只能观察它被设计来观察的指标。罕见授权越界、不可逆副作用、恢复失败或成本激增，可能被大量普通成功稀释。结构校验也只能捕捉格式、可达性等明确规则，不能证明语义与安全要求全部成立。
所以要区分两层独立性：数据独立回答“批准证据是否来自同一批生成材料”；裁决独立回答“评估者是否能够发现提出者系统性看不见的问题”。高影响流程通常需要两者，而不是用前者替代后者。
最小采纳合同应绑定什么
一个可审计的激活决定至少需要绑定以下事实：
- 候选身份：固定内容摘要、版本、生成来源和父版本；
- 生效身份：在采纳完成前保持不变，不能与候选共用可变指针；
- 结构证据：确定性检查的规则版本、结果和未覆盖约束；
- 行为证据：验证样本、指标、基线、失败与置信边界；
- 决定权限：谁或什么机制有权把候选变成生效状态；
- 新鲜度：模型、工具、政策或环境变化后，旧证据何时失效；
- 回滚目标：出现事故时恢复哪个已经批准的身份；
- 拒绝记录：失败候选保持可见，但不拥有执行权。
关键动作必须原子化：系统要么继续引用旧的生效身份，要么在全部门禁完成后引用精确的候选身份。不能出现文章通过测试、实际启用的却是后来又被修改的对象。
通过门禁仍不是永久证明
一个常见反对意见是，只要留出集分数不下降，就应自动采纳。对于低风险、可逆且指标覆盖充分的场景，这可以是有效的最低规则。但它并不是通用安全证明。
样本可能很小，基准可能只覆盖平均完成度，评估器可能与提出者共享模型偏差。工具目录、权限政策或真实环境一旦变化，原来的采纳证据也可能过期。曾经通过，只说明某个身份在某组条件和某套指标下获得过批准。
更稳妥的生命周期包括候选、验证中、已拒绝、已采纳、已过期和已撤销。历史批准仍然保留为事实，却不会在依赖条件变化后自动恢复成当前权力。
边界与待解决问题
Procedural Graphs 是新近的一手研究，尚不能证明其具体机制适用于所有生产系统。实验没有完整覆盖并发改进器、崩溃一致性、带签名的采纳权限、事故后的跨系统回滚，也没有证明结构校验能够执行所有语义约束。
因此，本文支持的是最低架构边界：候选与生效状态分离，采纳使用未参与提案生成的证据，拒绝保持不可执行，并为证据设置新鲜度和回滚。它不支持“平均分不下降即可授权任何高影响流程”。
仍需回答的问题包括：哪些安全与授权指标必须加入性能门槛；何时应引入不同模型、确定性验证器或责任人；怎样证明被测候选与被激活对象逐字节相同；模型、工具和政策发生什么变化会使旧证据失效；以及发生事故后，怎样把回滚与重新采纳写成同一条可验证轨迹。
证据与引用：