大模型能力边界与系统级持续演化

大模型已经把自己变成了可靠的能力基座：语义理解、代码与方案生成、多步推理、工具与函数调用——它足以支撑“提出问题即产出候选”的交互形态。但基座越强，越容易掩盖一个工程事实：模型负责生成可能性，闭环必须由系统承担。本页要论证的正是这条能力边界，以及为什么持续演化是一项系统级责任，而不是模型能力的自然延伸。

一、模型侧已经胜任的部分

• 语义理解：把模糊需求解析成可执行的问题描述，并识别其中隐含的约束与目标。
• 生成能力：在数分钟内产出代码、配置、方案与解释，并能在同一轮对话内自我修订。
• 多步推理：完成任务分解、链式推导与取舍说明，天然具备“提出候选并解释理由”的输出形态。
• 工具调用：通过函数调用触发检索、计算与外部接口，把语言输出接到真实动作上。

这四点合起来意味着“候选的产生”已经近乎免费。真正稀缺的资源不是候选的数量，而是对候选施加选择压力的机制。

二、结构性缺口：单次会话无法闭环

• 会话内状态易失：上下文一旦耗尽，跨任务的记忆随之断裂，上一轮学到的教训无法自动进入下一轮。
• 真值缺位：模型无法自主定义“什么算对”，也无法给出独立于自身输出的评价标准。
• 实验调度缺位：批量基准测试、统计显著性检验、约束合规判定，以及高成本真实环境的执行，都不在模型的控制范围内。

结论很清晰：模型无法在单次会话或单次任务内独立完成候选产生—环境检验—结果沉淀的闭环。这不是能力不够，而是职责本来就不在模型身上。

三、系统侧必须补位的四类工作

1. 候选的产生与变异：组织模型输出，主动扩大并结构化搜索空间。
2. 环境的构造与调用：搭建可重复执行的实验环境，负责调度、执行与验收。
3. 评价与筛选：定义真值与评价器，完成排序、筛选与显著性判断。
4. 沉淀与复用：把成功结果与失败经验写入长期记忆，成为下一次任务的起点。

分工原则只有一句：模型负责生成可能性，系统负责施加选择压力并保留历史。二者不可互相替代——没有模型，系统就没有可筛选的多样性；没有系统，模型只能一次次归零。

四、判据转换：从“单次输出多好”到“改进能否累积”

衡量一个系统是否真正在演化，标准不应是“单次输出有多好”，而应是“改进能否跨任务、跨 Agent 周期累积”。一次惊艳但无法被继承的输出，本质上仍是一次性消耗。当每一次任务的产出都被固化为可复用的工程资产——代码、配置、评价器、失败案例集——后续任务的起点就高于前一次，这就是项目级持续演化。EvoX 的实践给出了一个稳定可靠的工程沉淀范式：跨越 Agent 与任务周期，把经验固化为资产，而不是留在对话记录里。

最后划一条与相邻主题的界线：本页只论证“为什么需要系统级持续演化”，不展开算法自身的双层演化机制（见后续 MetaDE 相关内容）。