随着基于大语言模型的代理不断进步，对其评估也日益多维：一个合格的代理不仅要在任务完成准确率上表现出色，还需在交互质量、安全性和效率等方面取得平衡，这提出了一个核心问题——这些目标能否同步优化？已有方法虽考虑了多目标，却往往将异构度量压缩为固定的标量分数。标量化依赖于度量归一化和偏好权重，容易丢弃那些在实际部署中具有价值的折中方案。\ \ 我们提出 Multi-Objective Agent Evolution (MOAE)，将迭代的上下文微调组织为对完整代理 rollout 的 Pareto 保留进化搜索。给定有限的 rollout 预算，MOAE 维护一个经验档案，记录所有非支配（non-dominated）候选；利用针对每个目标的诊断信息引导子代生成；仅在部署阶段进行约束感知的选择。这样在搜索阶段保留候选，而在返回最终解时再依据偏好进行筛选。\ \ MOAE 不需要对模型参数进行更新，且每个目标可以替换为任意可测量属性。本文将其具体化为任务性能、轨迹质量和安全性三项指标。实验在 TravelPlanner 与 AgentDojo 两个基准上进行，结果显示在相同 rollout 预算下，MOAE 能持续提升任务性能和轨迹质量，同时保持强安全性。进一步的搜索行为分析表明，Pareto 保留能够扩展可达目标空间，并提升联合改进的频率。\ \ 这些发现证明了在搜索过程中不固定标量化、通过 Pareto 保留进行上下文进化的潜力，为多属性代理优化提供了新思路。\ \ 点评：MOAE 展示了在不预设标量化权重的情况下，通过 Pareto 保留实现多目标协同提升的可行性和优势。