LLM 代理在长时序、验证器丰富的环境中日益活跃。现有的自我改进机制往往直接把单次经验写入记忆，使得局部成功并不等同于可复用且安全的知识。本文聚焦于一个核心问题：何时将经验转化的行为更新写入持久状态？
我们提出 伪证门控自我进化 (FGSE)，它以验证器为依据，将每条候选经验组织为结构化假设，包含前提、行为改变、预期效果和验证器四要素。FGSE 先在临时状态下应用假设，再通过目标迁移、伪证检测和归档回归三类探针评估。如果增益显著且风险可控，则提交；否则进行细化或拒绝。
在 WebArena、AppWorld、工具使用以及长期记忆基准上，FGSE 展现出强劲的任务表现：WebArena 成功率 39.8%，AppWorld 平均完成度 78.8%，(\tau)-Retail/(\tau)-Airline 的 Pass$^1$ 分别为 0.724 与 0.487。与此同时，伪证失败率降至 5.0%，回归损伤仅 1.3%，有害提交仅 3.6%。这些结果表明，将记忆更新视为可检验的假设能够显著提升长期适应的可靠性。
点评：FGSE 通过验证驱动的假设检验，为 LLM 代理的记忆管理提供了系统化的安全保障，兼顾了学习效率与风险控制。