SkillOpt-Lite / HarnessOpt
从轨迹文件修改 skill 或 harness
Lite 让 Coding Agent 阅读轨迹并改写 skill.md；HarnessOpt 则在另一条路径中允许修改列明的 agent Python 文件。
需要核实：验证与回退依赖提示词执行纪律；公开复现路径的断点已在第一篇逐项说明。
Agent 自进化
Agent 怎样从反馈中改进
从 SkillOpt-Lite 出发，比较 SkillOpt、GEPA、TextGrad 与 EvoAgentX 改变什么、怎样获得反馈，以及谁决定保留修改。
阅读主线。先跟着 SkillOpt-Lite 看一轮可以重跑的修改，再比较更完整的 skill 优化、文字反馈传播和工作流搜索。评分提高、独立测试通过与实际部署，是三个不同判断。
已发布篇章
从一轮具体修改开始
第一篇建立共同问题：谁触发修改、能改哪些文件、用什么数据验证、怎样保留或回退。
开源项目阅读线索
从 skill 修改，读到文本反馈与工作流搜索
这些项目覆盖不同的可修改对象与反馈方式。下面链接直接通往官方仓库和资料，不代表本站已经发表了对应源码篇章。
微软的 SkillOpt 与 SkillOpt-Lite 是两个仓库。Lite 的官方说明明确表示它基于 SkillOpt，把优化循环交给 Coding Agent；HarnessOpt 则在 Lite 同仓库中扩展到 agent 代码。Lite 内附的 Full trainer 与微软仓库当前版本不能当作同一份实现。
SkillOpt
把自然语言 skill 当作优化对象
在模型外部维护 skill，用评分轨迹驱动反思、汇总、候选选择和有预算的修改，再由验证分数决定是否接受。
需要核实：反复用于候选选择的验证集不等于最终独立测试；不同扩展模式的接受规则仍需分别检查。
GEPA
用执行反馈搜索互有长处的候选
让模型读取执行轨迹并提出文本修改，再通过评分与 Pareto 候选选择，保留在不同任务上表现突出的版本。可改范围由 adapter 与候选定义决定。
需要核实：valset 未提供时会复用 trainset；独立验证需要调用者明确提供。
TextGrad
沿计算图传播文字反馈
把语言模型给出的文字反馈传回提示词、答案或代码等文本变量，由优化器据此改写变量。这里的“梯度”是文字反馈。
需要核实：optimizer.step() 会直接替换变量；官方 prompt 示例中的验证回退由可选开关启用，并非优化器天然保证。
EvoAgentX
把优化范围扩展到多 Agent 工作流
框架提供多种优化器；以 SEW 为例，在开发集上评估 prompt 或工作流结构的修改，记录快照并选择评分更高的工作流。
需要核实：不同优化器的规则不同；调用者需要正确提供开发集与测试集，不能把 SEW 的行为概括成全框架承诺。