evo 是一个 autoresearch orchestrator。你给它一个系统、「更好」的定义、预算。它生成假设、每个假设跑在独立 workspace 里、评分、维护一棵 attempt 树——延展能 work 的、剪掉不能的。Auditor 检查每一个被接受的改动，避免 optimizer 钻 metric 的空子。
它原本 in-context 编排：一次长 agent run 把整张 plan 拿在手里——下一阶段是什么、跑多少实验、什么时候停。在长 autoresearch run 里，让 agent 严守方法很难：Prompt 和 instruction 在长程任务上的遵守不可靠——跨几十轮，standing rule（跑这个阶段、用这个 CLI 命令、brief 去重、gate 严格）会悄悄停掉，单 context 越跑越长，能 hold 住的越少。
搬上 dynamic workflow 解决了根因
搬到 dynamic workflow 之后，method 变成了 code——phases、fan-out 宽度、停止规则、gates、CLI 调用全部进脚本，deterministic，round 1 和 round 1000 一模一样。Adherence 不再是 model 要记住的东西。每一步是一个 fresh、scoped、上下文干净的 subagent，没有东西可以 drift。Model 负责 judgment，code 负责 coordination。
每轮 optimize loop 走固定六步：
- Orient——读 experiment tree：best score、ceiling、open frontier。本轮取 top
width个 frontier node 当 parent。 - Scan——多个 agent 并行扫 evaluated node，看什么 work、什么 fail；一个 aggregate agent 横扫整棵树找 pattern。
- Ideate——stuck 时，三个 research agent 同时起：一个外推 best branch、一个拆 failure、一个读文献和 web。
- Brief——一个 writer 把 scan 结论、pattern、idea 折成具体 experiment brief，再去重。
- Fan-out——一个 brief 一条 lane，并行。每条 lane 实现改动、pre-verify（防止刷分）、run，再用 verifier 做 post-audit。
- Collect——剪死 lineage，记 note，分数不再涨就停。
但 workflow 自己每轮还是同一个 shape
跑起来 work，但 workflow 仍然每轮同一个 shape——同样的 phases、同样的 steps、同样的 prompts，不管这一轮 run 已经「学到了什么」。
长跑会暴露出固定 shape 兜不住的事：某一类实验需要一个 loop 没有的 verifier step、另一个需要 inject 一个具体方法、某个 phase 已经不产生 value 应该下掉。
evo 0.5：让 optimize loop 自我演化
第二个 workflow 跟第一个并行跑。一个 event loop 上两个 async loop，用 Promise.all join：
- optimize loop——driver，上面那个 workflow，不变
- meta loop——一个 concurrent observer：一个 fresh agent 每几分钟醒一次，从外部读 run，在线改写 optimize loop
它们共享一个 plain object——harness。Optimizer 每轮读它，meta thread 写它。同一个 event loop，所以写都落在 optimizer 的 await 间隔里，没有锁，没有第二个进程。
每个 tick 观察四类东西：
- experiment tree
- scores
- live logs
- GPU / host 状态（严格 read-only）
每个 tick 输出四种 action：
- Harness edits——真杠杆。Run 暴露出这一类实验需要自己的 verifier step、那一个需要 inject 某个方法、另一个 step 已经 dead weight 应该砍掉。Meta 适配 workflow：注入 step、删 step、改写 phase。下轮生效。Loop 的 shape 变成 data，由系统按这一轮 run 的真需求改。
- Brief hints——更软：queue 进下轮 brief，nudge 它下一轮试什么。
- Stops——一个实验跑不动时，meta 不直接 kill。它把建议交给一个独立的 gated enforcer——verify、abort、diagnose、discard。Detect 和 act 永远分开，永远不静默 kill。
- Alerts——它自己修不了的问题（比如 GPU 快死了）给人。
External observer / meta agent 看 experiment 然后 nudge，对纠偏和抓 issue 极有效。
为什么这条值得单独追
Dynamic workflow 把 coordination 变成 code（orchestrator 静态）。evo 0.5 把它推成 self-evolving——**loop 的 shape 是一个 first-class object，**可以读、可以改、可以在 run 的时候被推理——不是一个写完就盼着每轮都合适的 harness。
The loop's own shape is one more parameter space that can be evolved.
和今日 SOTA Sync 其它文章的位置
这条和今日第 6 条「Claude Dynamic Workflows」抽象层不同、不重叠：
- Dynamic Workflows：workflow 是 code，orchestrator 静态（写好跑、N 轮同形）
- Self-Evolving Autoresearch：workflow 是 data，orchestrator 动态（meta loop 在线改写 harness）
后者把前者从「编排转移出 model」推到了「编排转移出 model 之后、编排本身也可以被另一个 model 改」——这是元层递归，Paweł 那条没碰。
如果 Paweł 那条回答「orchestration 的 cost 怎么降到 0 token」，这条回答「orchestration 的 shape 怎么不写死」。两个问题在不同抽象层，同一日里串起来读，正好把 dynamic workflow 这条新范式的内层和外层都讲清楚。