反思自进化智能体：还需要预定的优化流水线吗？

自进化智能体通常围绕预定的优化流水线构建：由框架决定如何收集证据、修改持久产物、选择候选以及何时停止。我们追问：当前沿模型充当优化器时，这种任务特定流程是否仍然必要。我们提出开放式优化（OEO），在保持目标、允许的交互、资源预算、数据边界和评估固定不变的同时，允许优化器在线自主组织改进过程。我们将OEO与两种互补的预定方法比较：带受限编辑的分阶段流水线SkillOpt，以及反思式进化搜索GEPA。在8个基准-目标模型设定下的14场正面对比中，由GPT-5.5驱动的OEO取得12胜、1平，仅1场以0.21个百分点的微弱差距落败。其目标交互token预算中位数仅为SkillOpt配置量的34.3%。一次性零交互对照表明，这些收益不能用单次先验驱动的重写来解释。但委托存在能力边界：使用中等优化器时SkillOpt优于OEO，而弱优化器无法通过不变的OEO接口运作。在完全插桩的OEO-SkillOpt对比中，轨迹分析进一步显示，预定流程改变优化进行方式的作用比改变最终行为更一致。综合来看，这些发现将预定流水线重新定位为能力依赖的脚手架：关键约束仍须外部给定，但足够强的优化器能够自行组织从可测反馈到持续改进的路径。