When Self-Evolution Backfires: Pre-Commit Gating against Skill Contamination in LLM Agents¶

复现级别：核心机制 mini-suite。 本地实现执行论文特有的技能进化安全算子；不把确定性小型评测写成论文完整复现。

论文信息¶

字段	内容
论文链接	arXiv 2608.05810
公司/机构/学校	论文未列机构
首次公开日期	2026-08-06（arXiv v1）
原文开源代码	否：未发现原作者公开代码（核查日期：2026-08-09）
Adapter	`vag`
本地复现代码	`src/auto_research/agent_research/latest_20260809.py`

主题：技能进化安全。 技能一旦进入上下文会污染后代，事后删除无法彻底回滚。VaG 在写入前依次做结构、行为无害性、语义一致性验证，再以边际收益选择可共同使用的 Hot 技能集合。

flowchart LR
    N0["新技能 Cold"] --> N1
    N1["三类 critic"] --> N2
    N2["Warm 候选"] --> N3
    N3["边际收益组合筛选"] --> N4
    N4["Hot runtime pool"]

原论文 Figure 2（关键图）：展示原论文的整体流程、关键阶段及其数据流向。图片来自原论文，版权归原作者所有；点击图片可查看来源。

\(M_r=M_{r-1}\cup G(S_r),\quad f(H)=\mathbb E[R(agent\oplus H)]\)

Terminal-Bench 2 五轮单调升至 72% pass@1；技能池约小 5×，相对 ungated 最佳轮仍高 10pp。

稳定指标保存在本论文目录的 metrics/planbench-mini-seed42.json，不提交 checkpoint 或原始运行目录。

auto-research agent-research --method vag --benchmark planbench-mini --episodes 120 --seed 42

本地对照口径：vag 与同一公开 mini-suite 的无该机制控制组比较；仅报告本地产物中的指标，不把原文大模型/真实环境结果移植为本地提升。