EvoUndo: LLMエージェントハーネスのための回復可能性制約付き自己進化

要旨

LLMエージェントは実行時に自身のプロンプト、ツール、ミドルウェア、リソース、実行ハーネスをますます修正するようになっている。このような自己進化は能力を向上させ得るが、成功した変異は永続的な影響を残す可能性があり、それが作成された状態とは異なる状態では安全に元に戻せないことがある。我々はEvoUndoを紹介する。これはモデルが生成した自己修正を反事実的な状態にわたって表現、合成、診断、独立検証するためのフレームワークである。600の未見のワンショット自己進化タスクにわたって、復元可能性の検証に失敗する197件の能力向上変異を特定した。元の復元表現では、従来の修復戦略はこれらの自然な失敗の0/197しか復元できない。決定論的オラクル分析は元の復元言語L0のもとで48/197を復元する一方、拡張復元計算体系は経験的オラクル復元を191/197に引き上げる。プロトコル固定の2x2接地×表現力介入により、2つのボトルネックが分離される：元の言語で十分な場合、正確な状態アドレス接地は成功復元を0/48から38/48（79.2%）に増加させ、一方、復元言語の拡張はオラクル定義のS1層における142/143（99.3%）の失敗の復元を可能にする。主要なgpt-oss-120bバックボーンでは、より豊かな言語に正確なアドレス診断を追加すると復元は133/143（93.0%）に低下する；Qwen3.8-27Bでの再現実験は接地効果と表現力効果を保持するが、この負の交互作用は保持されず、後者がモデル依存であることを示している。これらの結果は、信頼性の高いエージェント自己進化には、反復的プロンプティングのみに頼るのではなく、検証、状態接地、証人セマンティクス、復元言語の表現力の共設計が必要であることを示している。

English

LLM agents increasingly modify their own prompts, tools, middleware, resources, and execution harnesses at runtime. Such self-evolution can improve capability, but a successful mutation may leave persistent effects that cannot be safely reversed in states different from the one in which it was created. We introduce EvoUndo, a framework for representing, synthesizing, diagnosing, and independently verifying recoverability of model-generated self-modifications across counterfactual states. Across 600 unseen one-shot self-evolution tasks, we identify 197 capability-improving mutations that fail recoverability verification. Under the original recovery representation, conventional repair strategies recover 0/197 of these natural failures. Deterministic oracle analysis recovers 48/197 under the original recovery language L0, while the extended recovery calculus increases empirical oracle recovery to 191/197. A protocol-locked 2x2 grounding-by-expressivity intervention then separates two bottlenecks: exact state-address grounding increases successful recovery from 0/48 to 38/48 (79.2%) when the original language is sufficient, while extending the recovery language enables recovery on 142/143 (99.3%) failures in the oracle-defined S1 stratum. On the primary gpt-oss-120b backbone, adding exact-address diagnostics to the richer language reduces recovery to 133/143 (93.0%); a Qwen3.8-27B replication preserves the grounding and expressivity effects but not this negative interaction, indicating that the latter is model-dependent. These results indicate that reliable agent self-evolution requires co-designing verification, state grounding, witness semantics, and recovery-language expressivity rather than relying on iterative prompting alone.