研究提出 EvoUndo 框架解決 LLM Agent 自我進化恢復問題，將修復成功率從 0 提升至 99.3%

據 Reddit 流出的論文資訊，研究人員提出 EvoUndo 框架，旨在解決 LLM Agent 在執行時修改自身提示詞或工具所導致的狀態無法安全恢復問題。在 600 項未見過的單次自我進化任務中，研究識別出 197 個能提升能力但無法通過恢復驗證的突變，傳統修復策略對此類失效的恢復率為 0/197。透過確定性 Oracle 分析，在原始恢復語言 L0 下可恢復 48 個；擴展恢復演算則將經驗 Oracle 恢復數提升至 191 個。實驗顯示，當原始語言足夠時，精確狀態定位（exact state-address grounding）將成功率從 0 提升至 79.2%（38/48）；擴展恢復語言則在 S1 層級中實現 99.3%（142/143）的恢復率。在主幹模型 gpt-oss-120b 上，將精確定位診斷加入擴展語言會使恢復率降至 93.0%（133/143）；但在 Qwen3.8-27B 的複現實驗中未出現此負面交互作用，顯示該現象具模型依賴性。