无需答案键的自改进 Agent 通过双重验证生长自身 DSL 实现精确问答

该论文提出一种无需奖励信号、裁判模型或标准答案（ground truth）即可自我改进的 Agent 架构，旨在解决传统方法在需要绝对精确的计算任务中容易保留错误技能的问题。系统采用单个冻结模型运行两个嵌套循环：内层循环仅在两条独立编写的表达式对所有记录达成一致时才回答新问题；外层循环自主发现缺失能力并编写新算子，仅当独立实现的第二个版本通过且结果符合守恒定律时才会被采纳。

实验数据显示，内层循环使可回答问题集规模约扩大三倍，外层循环在互不重叠的初始集合上实现了自我扩展，甚至生成了超出初始闭包范围的新算子。作为对照，缺乏归纳能力的控制组无法回答任何新问题。该准入规则具有实证可靠性：在独立参考下，138 个有缺陷的算子变体全部被拒绝，而传统依赖的运行即接受、自洽性或压缩信号则大多接受了这些错误变体。该机制在未修改的情况下成功迁移至业务账本和临床问诊等无关模式领域，将可回答问题集分别扩大了十倍以上和近二十倍。

事实层面，该系统证明了在无监督条件下通过双重验证实现精确计算的可行性；推断层面，这种基于守恒律和独立实现的准入机制可能成为构建高可靠性 Agent 的基础设施；猜测层面，若该机制能进一步扩展到更复杂的动态环境，可能改变当前对大模型在金融或医疗等高风险领域直接部署可行性的判断。