本文研究了代理 harness 演化在无需更新模型权重的情况下实现递归自我改进（RSI）的机制。我们关注更高基准分数是否能带来可靠、高效且可迁移的提升。实验比较了四种方法，分别在通用任务和编码任务的两类 harness 上进行评估。通过重复评估、受控的代理扩展、组件干预以及 admission 重放，我们观察到一致的现象：所有十六个进化代理在获得新任务的同时会失去已有任务。在一次通用任务实验中，可靠性提升了 5.2 分，但同时失去了十个已覆盖任务。大多数可靠性提升伴随部署成本上升。具体的改动通常优于通用提醒，但在组合使用时其效益可能会改变。最高分代理并未在任何一个任务池中实现最大的平均提升，严格的 admission 规则还会剔除有价值的备选方案。迁移效果表现出选择性：在两种 harness 与范式下，覆盖率通常在通用任务目标上下降，而在外层仅 harness 的编码目标上上升。这些结果促使我们提出保留感知的评估框架，并检验了若干决策规则以及明确的适用条件。作为建设性的后续工作，EvoAudit 将这些诊断转化为 select、analyze、mutate、gate 四步流程，取得了最佳性能。点评：本研究提醒我们在评估代理进化时必须兼顾任务覆盖、成本与可迁移性，单一指标的优化可能隐藏重要的退化风险。