为什么值得读
「让 Agent 自己优化自己的提示词」是过去一年最热的自进化范式，但它有个被忽视的前提：失败轨迹必须真的能归因到提示词。这篇文章把这个前提拆开看了。
问题：错误的学习信号比不学习更糟
GEPA 这类反思式优化器的工作方式是：跑一批任务，挑失败的 rollout，让模型反思「提示词哪里写得不好」，然后改写提示词。
但多轮 Agent 任务里，失败原因可能是提示词、可能是工具封装（harness）的限制、可能是执行时的随机性，也可能是评审模型（judge）判错了。把这些混在一起喂给优化器，等于让它朝噪声方向改提示词——不仅无效，还可能越改越差。
方法：两个部件，一个是筛子，一个是记忆
任务策展（task curation）：先判断哪些任务能提供可靠的学习信号，把噪声大、归因不清的任务过滤掉，不进入优化循环。
先验成功检索（prior success retrieval）：对留下来的任务，检索历史上成功过的轨迹，作为额外上下文给优化器——让它知道「这个任务是可以做对的，长这样」，而不是只在失败样本上猜。
整体上它没有换优化算法，只是改了「给优化器看什么」。这也是这篇论文最有意思的地方：提升来自数据侧，不来自算法侧。
结果：四个 Agent 基准全线不亏
在 GoBrowse、ALFWorld、AppWorld 与 τ-bench 上，分别用 Gemini 3.1 Pro 和 Claude Opus 5 作为优化器模型，GEPA-Curator 的平均表现都不低于两个基线，最高比 GEPA 高 20.7%、比 ACE 高 21.2%。
跨优化器模型都成立这点很重要：说明收益不是某个模型的特异现象，而是「策展」这件事本身有效。
实践建议
如果你在做 prompt 自动优化或 Agent 自进化：先建一个「失败归因」环节，把工具报错、超时、评审不确定的样本剔出去，再谈优化。这一步的性价比通常高于换更花哨的优化器。
另外，保留成功轨迹库本身也是一个被低估的资产，它既能给优化器当先验，也能给检索式 Agent 当示例。
策展本身需要一个判断「信号是否可靠」的模型，这部分成本与偏差论文没有细算；评测以平均分为主，未展示方差与最差任务上的表现；四个基准都是文本环境，多模态 Agent 未覆盖。
本文基于论文原文摘要与方法章节整理，观点由编辑撰写；如与原文有出入，以 arXiv 原文为准。 发现错误欢迎 邮件指正。