我们改变了智能体：它真的变得更好吗？每个自我改进的智能体循环都会重复数百次这个问题，而每一次的答案都来自一个验证器。在开放式任务中缺乏客观评判标准时，循环只能依赖手写评分标准或让同类大语言模型（LLM）直接打分，这会导致奖励黑客和共享盲点。我们将验证器本身设为可进化对象：它是一个可检查的表达式，由一组小且大多确定性的缺陷检测器组成，这些检测器通过对聚类的失败案例进行综合合成，在生成时被门控，并通过与十项锚定参考集以及对未标记输出的共识进行一致性选择，而不是依据智能体的得分进行优化。
在 MBPP+ 基准上，该验证器相较于手工种子组合在持出一致性上提升了 $+0.21$，并在所有种子上均优于其内部的裸 LLM 评审。一个关键发现是：去除锚定门控会使验证器退化为一个始终通过的空洞评分器，但即便如此，它仍能同样有效地训练技能。下游任务得分无法证明自我进化的验证器的可靠性；得分只能回答充分性问题，而在此情形下进化的验证器可以替代：采用“双向递进”（Double Ratchet）策略，将验证器与生命周期管理的技能循环配对，可保留 $88\%\sim110\%$ 的提升幅度，这与使用真实标签或人工评分标准获得的提升相当，适用于代码生成、企业级文本到 SQL、以及无参考报告生成等任务。
当进化出的技能尝试利用报告评分标准进行投机时，外部评审捕获了异常并通过新增检测器进行修复；该评审本身在未获得任务合同前也会出现错误。
点评：本文展示了将验证器本身设为可进化、可检查的对象能够显著提升自我改进智能体的可靠性与通用性，尤其在缺乏明确评判基准的开放任务中提供了新的验证路径。