Self-Improving Agents: Governed Skill, Memory, Environment, and Harness Evolution

Self-improvement กำลังขยายจาก skill learning ไปสู่ harness evolution, generated environments, persistent state และ modular verification. MAMCTS เพิ่มสัญญาณอีกด้านคือการใช้ inference-time search เพื่อควบคุม hallucination แบบ training-free แต่ความทนทานต่อ reward hacking, overfitting, negative transfer และการประเมินตนเองที่ไม่น่าเชื่อถือยังไม่พิสูจน์.