Prompt 在演示阶段很容易制造确定感：加一条规则，结果似乎就更听话。任务一旦拉长，输入格式变化、工具调用异常、旧记录混入当前上下文，Agent 仍会漏步骤、重复执行，甚至沿着错误路径继续消耗调用。
继续扩写系统 Prompt，往往只是把问题藏得更深。腾讯云开发者社区把 2026 年 Agent 的重点概括为「上下文工程」。这个判断落到开发中很具体：哪些信息应该进入当前步骤，哪些历史记录需要淘汰，工具返回的结果怎样传给下一步，失败后又该从哪里重来。
Prompt 还在，只是管不了整个任务
Prompt 依然适合定义目标、权限、工具说明和输出格式。长程任务中的状态切换、错误检查、重试和经验复用，则需要工作流承担。
新浪看点的一篇文章把 2024—2025 年称为 Agent 的「觉醒之年」，把 2026 年称为「规模化落地之年」。说法很大，工程问题却很具体：任务跑到哪一步失败，系统是否知道；重试时改了什么，能否验证；已经跑通的路径，下次能否直接复用。
一套可检查的 Agent 通常需要几类组件配合：
- Prompt：说明目标、边界和输出要求。
- 规划器与状态机：拆分任务，记录当前节点，决定继续还是返工。
- 工具层：处理检索、API 调用、代码执行等动作。
- 验证器（Validator）：检查中间结果是否合格。
- 记忆层：保存通过验证的策略、工作流片段和成功路径。
AI 天才研究院的文章把 Long Horizon Task、Autonomous Agent System 和 Self-Evolving 放在同一组命题下，并将目标概括为「从回答问题到交付结果」。差别就在这里：一次回答看起来合理还不够，整个任务必须能追踪、能返工，也能验收。
反思要有证据，不能只让模型重试
Reflection（反思机制）常被写成一句「请检查错误并重新尝试」。这种做法很难稳定，因为模型既不知道失败发生在哪里，也没有明确的通过标准。
一段介绍 Self-Evolving Agent 的视频比较了 Karpathy 的 Autoresearch、OpenAI 官方 Cookbook 和 EvoMap 的 Evolver。三条路线采用的实现方式不同，共同逻辑可以压缩成几步：发现问题、修改策略、重新验证，再保存效果更好的版本。
目标 → 任务分解 → 执行 → 记录轨迹 → 验证
未通过 → Reflection → 修改策略 → 沙盒复验
通过 → 保存版本 → 写入记忆
失败必须由可检查的信号触发。代码没有编译通过、API 返回 400、结构化字段缺失、前后逻辑校验不一致，都可以成为验证器的输入。系统随后把原始目标、执行轨迹、失败输出和验证反馈一起交给 Reflection Agent，让它判断问题来自指令偏差、工具缺失，还是上下文污染。
这里说的自进化，主要发生在策略层：Prompt、调用参数、工具选择、路由规则和工作流片段可以更新，底层模型参数不在这条任务闭环里。新策略也不应直接覆盖旧版本。先进入沙盒，使用同一套验证规则复验，通过后再写入配置文件、向量数据库或其他记忆层，并保留回滚入口。
拿年度行业分析跑一遍
「完成一份年度行业分析」对 Agent 来说仍然太大。规划 Agent 可以把它拆成一条明确的链路：
确定指标 → 寻找数据源 → 提取数值 → 交叉验证 → 生成结论
每个节点都要留下中间结果。确定指标后产出指标清单；寻找数据源时记录来源和时间范围；提取阶段输出结构化数据；交叉验证阶段标记冲突；生成结论时，只允许使用已经通过检查的数据。
状态机（State Machine）负责决定返工位置。数据源不可用，就退回检索节点；数值出现冲突，就重新执行提取和核验；结论引用了未验证内容，则只重跑合成节点。没有必要因为一个局部错误，让整项任务从头开始。
通过验证的执行路径可以沉淀为成功路径（Golden Path）。下次遇到相似任务，Agent 先检索已有步骤、工具组合和验证规则，再决定是否重新规划。记忆层保存的应是经过验收的经验，而不是把所有运行日志一股脑塞回上下文。
自我修改也要能回滚
自进化工作流进入生产环境后，最先暴露的通常不是模型能力，而是成本、安全和状态管理。
Reflection 会增加调用次数和 Token 消耗。 没有必要让每个节点都执行反思。更实用的做法，是在关键节点或验证器明确报错时触发，并由语义路由决定使用哪种模型、是否继续重试。
验证器可能被钻空子。 Agent 如果同时拥有修改执行策略和检查规则的权限，就可能选择更容易通过检查的输出，而没有真正解决问题。ApFramework 的相关解读提醒，Agent 获得自主行动能力后，安全边界需要从 Prompt 防护扩展到全链路工程治理。执行器不应改写验证器；高风险策略需要独立审计器或人工抽检。
平台要承担更多状态。 Dify、FastGPT 和 Coze 可以编排复杂流程，但自进化会额外引入轨迹记录、并发状态同步、策略版本和失败重试。上线前仍要在相同模型、相同硬件条件下压测，尤其要检查峰值流量下的状态一致性和回滚能力。单次演示跑通，不能替代生产验证。
真正需要维护的是反馈回路
Prompt Engineering 没有消失。它只是从整个系统的中心，退回成一个可版本化、可测试的配置项。
开发者需要长期维护的是任务状态、上下文选择、验证规则、反馈路径和回滚能力。系统能查清 Agent 在哪一步失败、为什么修改、修改后是否更好，才具备可用的自进化能力。继续追求一段包办所有情况的完美 Prompt，只会让工作流越来越难检查。