EvoTeam：基于可进化团队的多智能体协作框架 EvoTeam: Multi-Agent Collaboration via Evolving Teams
维护可复用团队库，协同进化团队组织、团队专属交互规则与个体技能的多智能体自进化框架
前置知识
LLM 多智能体系统（MAS）
由多个基于大语言模型的专用智能体组成的协作系统：每个智能体有自己的角色（如规划者、检索者、实现者、验证者）、上下文和工具集，通过信息交接（handoff）与任务分解共同完成单个智能体难以处理的复杂任务，如软件工程、多步检索问答。
本文研究的是 MAS 层面的持续改进，全文围绕团队组织、责任分配、智能体间交互展开，不理解 MAS 的基本运行方式就无法理解“进化团队”到底在进化什么。
经验驱动的智能体自进化
不更新模型参数，而是从历史任务执行轨迹和评估反馈中蒸馏可复用知识（prompt 修正、技能、工作流、交互规则），供后续任务复用，使系统能力随任务量增长而提升，代表工作包括 Reflexion、ExpeL、ReCreate、Meta-Team 等。
EvoTeam 属于这一流派，但把进化对象从“个体智能体”上移到“团队协作层”。理解这个背景才能看出本文与 Meta-Team、Skill-MAS 等基线的区别和实验设计的动机。
交互规则与信息交接（interaction rules / handoffs）
交互规则约束智能体之间如何传递信息：规定某条消息必须由谁发给谁（有向的 sender–recipient 对）、在什么触发条件下生效、必须携带哪些信息与证据、需要何种验证和回退方案。它相当于智能体间的“信息契约”，是多智能体失败（如信息丢失、过早终止）的主要来源之一。
本文的核心机制之一就是“团队专属交互规则”的隔离进化： preliminary study 证明不合适的规则复用（如诊断型“报告后终止”规则被带入实现任务）会导致任务在编码测试前就停止，这是理解 EvoTeam 设计的关键。
团队组织与责任分配
指多智能体系统中“哪些角色参与、各自负责什么子任务”的结构设计。研究表明即使各智能体都具备所需专长，不恰当的责任分配也会让能力无法发挥，缺失的验证角色会让正确贡献在最后一步被破坏。
EvoTeam 把团队组织（描述 $d_T$ + 候选名单 $C_T$）当作一等公民来选择、创建和进化，这是它区别于“只优化个体智能体”方法的根本出发点。
研究动机
现有 LLM 多智能体系统的进化研究主要沿“改进个体”路线：从任务反馈中精炼每个智能体的 prompt、技能和执行策略。但个体变强不等于团队变强——协作性能取决于互补能力如何被组织和协调：责任分配不当会让专家能力无法发挥，信息交接不完整或验证不足会让正确的个体贡献被后续步骤破坏。作者用初步实验（Figure 2a）量化了这一点：让 Meta-Team 在异构任务上做跨任务（Cross-Task, CT）进化后再回到目标任务继续进化，无论 Inter-CT（从另一个 benchmark 继承不合适的团队模板）还是 Intra-CT（同 benchmark 内不同任务类别、模板兼容），在全部三个指标上都劣于“只在目标任务上进化”的 target-only 版本。轨迹分析（Figure 2b）给出两个具体失败模式：一是团队模板僵化，面向 GAIA 网页检索与答案合成的团队无法建立 LocoBench PII 匿名化任务所需的“实现+测试”分工，file_agent 陷入无休止搜索循环直至 TIMEOUT；二是交互规则越界复用，从诊断任务学到的“file_agent 向 planner 报告后 finalize”规则被带到实现任务后，系统在写代码和跑测试之前就终止，直接继承诊断结论导致“没有代码改动也没有测试”。
本文的目标是本文要回答的问题是：MAS 如何在持续适应异构任务的同时进化协作本身，而不破坏已积累的有用经验？具体拆成三个设计目标：(i) 团队重组不应被限制在单一共享结构内——应能按任务需求选择或创建团队，为不同协作需求维护不同的分工结构；(ii) 交互规则只应在协作需求兼容的任务之间共享和精炼——规则更新要有明确的复用范围，防止为某类任务更新的规则破坏其他类型任务所需的协调；(iii) 个体技能（智能体自身的可复用过程知识）应跨团队保持可用，不因团队边界而割裂。EvoTeam 的目标就是以协作为中心，把团队组织、交互规则、个体技能三层知识同时纳入进化，并让三层知识各自有正确的作用域。
与已有工作不同的是，已有协作层进化方法的共同盲区是“经验的存储与作用域没有和协作结构对齐”：Meta-Team 把跨 benchmark 积累的经验写进所有成员共享的角色 notes，一次任务反思就能用任务专属建议覆盖 45/43/31 条历史积累（Figure 16a 所示的污染案例）；Skill-MAS 把编排知识蒸馏进单一的 Meta-Skill；自动化搜索类方法（AgentSquare、ADAS 等）搜索一次后结构固定。EvoTeam 的独特切入是把经验按“团队”索引：协作经验（交互规则）在兼容的团队上下文内积累和隔离更新，个体技能则跟着智能体跨团队流动。同时团队按“协作需求”而非主题相似度或 benchmark 边界组织——不同 benchmark 的任务只要分工模式兼容就可复用同一团队（附录 E.3 中三个不同 benchmark 的 holdout 任务复用同一团队）。这把问题从“进化更好的智能体”重构为“在正确的作用域内进化正确的协作知识”。
核心方法
直觉上，EvoTeam 把多智能体系统管理成一个“工程组织”：组织里有一个全局智能体人才池 $\mathcal{A} = \{a_1,\dots,a_N\}$ 和一个可复用团队库 $\mathcal{T} = \{T_1,\dots,T_M\}$，每个团队 $T = \langle d_T, C_T \rangle$ 由协作需求描述 $d_T$ 和候选成员名单 $C_T \subseteq \mathcal{A}$ 定义。每个新任务到来时走三个阶段：(i) 自适应团队组建——LLM 团队选择器 $\Phi_S$ 判断库中是否有团队的描述覆盖当前任务的协作需求，没有则由 Composer $\Phi_C$ 从人才池组建临时团队；(ii) 团队范围内的协作——LLM“主席”Chairman $\Phi_{\mathrm{Chair}}$ 从选中团队的候选名单中招募任务执行团队、分解子任务并分配，执行时该团队积累的交互规则集 $R_{T_q}$ 作为软性协调指导注入各智能体上下文；(iii) 多层经验进化——任务结束后三个反思器分别用综合执行轨迹 $\tau_c = \langle \{\tau_{a_i}\}_{a_i \in E_q}, \tau_t \rangle$ 更新团队（$T_q' = \Omega_T$）、该团队专属规则集（$R_{T_q}' = \Omega_R$）和个体技能（$S_{a_i}' = \Omega_A$）。协作经验只在对应团队内累积，技能则随智能体跨团队复用（Figure 3）。在指定的进化数据流上顺序执行（Algorithm 1），完成后冻结全部持久知识，在互斥的 holdout 集上评估。
核心创新是“经验作用域管理”这条设计原则：交互规则与团队绑定、按团队隔离进化；个体技能与智能体绑定、跨团队全局复用。这和已有方法的本质区别在于：Meta-Team 等把所有经验写入共享配置（角色 notes、全局 constitution），任何任务的任务性建议都可能污染其他类型任务的历史经验；Skill-MAS 把编排知识压进单一 Meta-Skill；AgentSquare 等则一次性搜索固定结构。EvoTeam 中规则是“信息契约”而非固定工作流——每条规则约束一次有向交接必须携带的信息、证据、来源、不确定性与回退要求，发送方按 sender–recipient 匹配、触发条件、当前信息需求判断适用性，无适用规则就直接沟通而不强行套用。团队也按协作需求而非主题组织（附录 FAQ Q2 明确：主题相似不足以证明可复用），因此 LoCoBench 和 BeyondSWE 的任务可共享同一个“行为保持式重构”团队（Figure 17），而新团队需通过准入审查（名单支持所需分工且组织可复用）才能入库。消融实验证明两个组件各自独立有效：仅保留任务条件化团队就带来收益（GAIA +6.00），叠加团队专属规则收益更大（GAIA +10.00）。
方法步骤详情
完整流程共八步。(1) 团队选择：对查询 $q$，$\Phi_S(q, \mathcal{T})$ 逐一检查每个团队的 $d_T$ 是否覆盖任务的协作模式、所需专业角色与验证需求，返回兼容团队；若库为空或无兼容团队，Composer 构建临时团队 $\tilde{T}_q = \Phi_C(q, \mathcal{A})$ 且规则集置空（公式 (1)）。(2) 招募：Chairman 执行 $E_q = \Phi_{\mathrm{Chair}}(q, T_q) \subseteq C_{T_q}$（公式 (2)），按功能需求从候选名单匹配最小充足执行团队。(3) 规划：$(U_q, \pi_q) = \Phi_{\mathrm{Chair}}(q, T_q, E_q)$（公式 (3)），把任务分解为子任务集 $U_q = \{u_1,\dots,u_m\}$ 并按子任务需求与智能体档案分配 $\pi_q: U_q \to E_q$，只定责任不预设交互伙伴；执行中若进展受阻可动态重分配。(4) 协作执行：各智能体携带自身技能集 $S_{a_i}$ 执行子任务，$R_{T_q}$ 注入上下文；每次交接时发送方用规则选择 prompt（附录 D.4）核对触发条件与信息需求，选中规则作为信息契约适配当前任务。(5) 轨迹记录：Chairman 汇总个体轨迹 $\tau_{a_i}$（推理步骤、工具输出、中间产物）与交接轨迹 $\tau_t$（交互事件、传递载荷、所用规则）为 $\tau_c$（公式 (4)）。(6) 团队反思：$T_q' = \Omega_T(T_q, \tau_c, q)$（公式 (5)）修订候选名单并同步更新描述；新团队按“名单支持分工+组织可复用”决定准入。(7) 规则反思：$R_{T_q}' = \Omega_R(R_{T_q}, \tau_t, q)$（公式 (6)）审查交接事件与载荷，对每条有向规则做 create/refine/retire/retire/no_update 决策。(8) 智能体反思：$S_{a_i}' = \Omega_A(a_i, \tau_{a_i}, q, S_{a_i})$（公式 (7)）从个体轨迹蒸馏 prompt patch 或带激活条件与验证步骤的技能。进化 split 结束后冻结 $\mathcal{A}$、$\mathcal{T}$ 与规则集用于评估。
技术新颖性
技术新颖性体现在四点。第一，三层并行进化且作用域正交：团队组织（名单+描述）、团队专属规则、个体技能由三个独立反思器同时维护，规则隔离而技能共享，这一“正交性”在已有协作进化工作中没有先例——Meta-Team 只维护共享角色档案，EMAS 用证据引导修订 prompt/拓扑但无团队索引。第二，把“信息契约”作为规则的语义单位：规则约束的是一次交接需要什么信息、证据、验证与回退，而不是执行顺序，配合 Chairman 的动态重分配，避免了规则退化为僵化工作流（FAQ Q3 专门澄清这一点）。第三，团队准入与身份保持机制：新团队需通过反思器审查才入队，已有团队修订时保持身份和规则连续性，使库是“演化的组织记忆”而非快照集合。第四，初步研究给出了可复现的反例证据（Figure 2）：同 benchmark 内模板兼容的跨任务进化（Intra-CT）仍然全面劣于 target-only，说明问题不在模板本身而在规则越界复用——这为“按团队隔离规则”提供了直接的实验动机，而不只是直觉论证。
实验结果
实验覆盖 4 个 benchmark、6 个任务类别，均用 GPT-5.6-Luna、avg@3、进化集与 holdout 集互斥。(1) 总体效果（Table 1）：individual-benchmark 进化下 EvoTeam 平均 58.85 分居首，6 项指标中 4 项领先，GAIA 78.00（比最强基线 Meta-Team 的 73.00 高 5 分），并全面超过非进化 MAS 基线；mixed-benchmark 进化下 EvoTeam 全部 6 项指标第一，平均 59.58，领先 Meta-Team（55.55）4.03 分，且比自身 individual 成绩还高（58.85→59.58），而 Meta-Team 反而下降（58.30→55.55），直接支持“规则隔离使异构经验可叠加”。注意例外：individual 设定的 LOCA 上 Meta-Team 69.58 高于 EvoTeam 的 63.75。(2) 跨骨干迁移（Table 2）：DeepSeek-V4.1-Flash 与 GPT 双向进化-评估 6 组配置全部优于 MAS 基线，DeepSeek→DeepSeek 的 GAIA 提升 +22.00（58→80），GPT→DeepSeek +18.00（58→76）；所有跨骨干成绩与同骨干差距不超过 4.00 分（GAIA 77.00 vs 78.00），说明团队索引的经验对底座更换鲁棒。(3) 消融（Figure 4/6）：去掉团队专属规则，GAIA 掉 10.00 分（77→67）、LOCA 掉 8.75 分（67.08→58.33）；再去掉任务条件化团队，GAIA 只剩 61.00；完整版在 6 项中 5 项最佳，例外是 LoCoBench Refact 去规则反而 66.40>65.65、BeyondSWE DepMig 去全部组件 37.97>仅去规则的 36.71。(4) GAIA 难度分层（Table 7）：L1 81.58 / L2 83.67 / L3 38.46，对 Meta-Team 分别 +2.63、+16.32、+7.69，收益最大在 L2，但 L3 所有方法都低于 39，说明最难题仍是瓶颈。(5) LoCoBench 维度（Table 6）：Refact 上 SE 0.5273、FC 0.7494（Meta-Team 0.7148）、LCU 0.7219 均第一，但 CQ 0.7428 低于 ReCreate；Feat 上 SE/FC 最高而 CQ、LCU 分别输给 ReCreate（0.8407）和 Meta-Team（0.7915）。(6) 成本（Figure 5/7）：GAIA 与 BeyondSWE DepMig 上 EvoTeam 分数最高且单任务成本低于 Meta-Team 与 ReCreate；Skill-MAS 更便宜但分数明显更低，EvoTeam 位于性能-成本前沿。(7) 案例：CourseAssistant（Figure 16）Meta-Team 因覆盖共享 notes 得 0.0 而 EvoTeam 得 1.0，且 EvoTeam 仅在选中 family 内 223→224 条规则，其余 6 个 family 的 198 条不变；Carnival 重构（Figure 20）EvoTeam 62.54 vs Meta-Team 44.47，后者因缺独立 verifier、后续修改未复检而提交了编译失败的 wrapper。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| GAIA（mixed-benchmark 进化） | 答案准确率 (%) | 77.00 | Meta-Team 67.00 / MAS 基线 64.00（SA 64.00 系 individual 设定值） | +10.00（对 Meta-Team） |
| GAIA（individual-benchmark 进化） | 答案准确率 (%) | 78.00 | Meta-Team 73.00，MAS 72.00，SA 64.00 | +5.00（对 Meta-Team），+14.00（对 SA） |
| LoCoBench Feature Implementation | LCBS（0–100） | 67.32（individual）/ 65.55（mixed） | Meta-Team 64.82 / 64.90 | +2.50 / +0.65 |
| LoCoBench Cross-File Refactoring | LCBS（0–100） | 66.23（individual）/ 65.65（mixed） | Meta-Team 64.63 / 64.52，SA 53.08 | +1.60 / +1.13 |
| LOCA-Bench（mixed-benchmark） | 最终状态成功率 (%) | 67.08 | Meta-Team 58.33 | +8.75 |
| BeyondSWE DepMigrate（mixed-benchmark） | 解决率 (%)（F2P 全过且 P2P 不回归） | 40.51 | Meta-Team 37.97，Skill-MAS 35.44 | +2.54 |
| 六指标平均（mixed-benchmark） | 平均分 | 59.58 | Meta-Team 55.55，ReCreate 49.42，Skill-MAS 41.30 | +4.03 |
| GAIA（DeepSeek→DeepSeek 同骨干） | 答案准确率 (%) | 80.00 | MAS 58.00 | +22.00 |
| GAIA Level 2 难度（mixed） | 通过率 (%) | 83.67 | Meta-Team 67.35 | +16.32 |
| Carnival 重构任务（案例 E.4） | LCBS（0–100） | 62.54 | Meta-Team 44.47 | +18.07 |
局限与改进
作者明确承认两点：(1) 未系统考察多模态交互环境下的协作进化——此类环境中智能体需解读视觉观察、沟通证据并随环境变化协调行动，多模态执行轨迹如何指导团队/规则/技能精炼仍是开放问题；(2) 经验通过显式文本更新积累而模型参数冻结，其效果完全依赖底座模型正确理解和应用存储的指导，未与模型适配（微调）结合。我自己观察到的问题：第一，individual 设定的 LOCA 上 EvoTeam（63.75）落后 Meta-Team（69.58）5.83 分，说明团队选择与规则机制并非对所有任务类型都有利，论文未深入分析这一反例；第二，进化集极小（GAIA 仅 20 条、LOCA 仅 16 条），收益可能部分来自对 benchmark 分布的拟合，缺少跨域泛化验证；第三，团队兼容性判断完全交给 LLM 主观评估“描述是否覆盖协作需求”，误判会导致错误复用或不必要的新建团队，且规则库大小、团队库规模 $M$ 的增长动态与选择成本未被系统报告；第四，消融中有两处反向结果（Refact 去规则更好、DepMig 去全部组件更好），提示规则在某些编码任务上可能是噪声源，但作者仅一笔带过；第五，反思发生在评估之后（案例 E.1 也承认隔离性论证不构成分数差距的因果解释），三层更新的贡献缺乏细粒度归因。
独立分析的弱点
弱点一：团队/规则兼容性判断是纯 LLM 主观决策。选择器靠阅读 $d_T$ 判断覆盖度，无任何量化校准；当库增长到几十个团队时，长上下文比较易出错。改进方向：为团队描述引入嵌入检索做粗筛，再用校准过的兼容性打分器（甚至小模型）做精判，并对误选做事后统计。弱点二：规则库无界增长与冲突风险。每条任务都可能 create/refine 规则，同一 sender–recipient 对可有多条不同触发条件的规则，长期运行后检索负担和互相冲突的概率上升。改进方向：引入周期性合并/修剪（基于使用频次与通过率）、规则依赖图与一致性检查，参考 ACE 的增量 curated playbook 思路。弱点三：小进化集易过拟合。GAIA 20 条、LOCA 16 条的任务流很难覆盖真实协作需求分布，表 1 的 mixed 收益可能高估了部署场景表现。改进方向：扩大并轮换任务流、报告对完全未见领域的零样本迁移。弱点四：缺乏更新的因果归因。反思基于文本证据决定 create/refine，但不知道某条规则改动到底贡献了多少分。改进方向：对候选更新做小规模 A/B 重放或反事实评估（类似 EviSkill 的 replayable evidence 思路），只接受有量化证据的更新。弱点五：成本与延迟。每个反思器都要调用强模型，单任务预算上限 $2.40–12.00，mixed 进化需 116 个任务串行处理。改进方向：用蒸馏的小模型承担反思/选择，强模型只做执行；或异步化反思流程。弱点六：安全与污染。持续积累的规则和技能若被恶意任务注入（参照文中引用的 SkillPoison 攻击面），会持久影响后续所有复用该团队的任务。改进方向：为规则更新增加来源审计与回滚机制。
未来方向
作者提出的方向：(1) 扩展到多模态交互环境，研究视觉观察与动作轨迹如何指导团队组织、交互规则与技能的精炼；(2) 将显式经验复用与模型适配结合，把高频有用的协调实践内化进参数，而不只依赖底座模型读取文本指导。基于本文成果可以自然延伸的方向：(3) 团队库的组织结构——目前是扁平集合，可引入层次化组织（团队族/能力图谱）与自动合并，降低选择成本；(4) 把团队选择形式化为可学习的策略（如用强化学习或 bandit 优化“选队-招募-分配”链路），替代纯 prompt 决策；(5) 跨系统共享的“团队经验市场”：团队描述+规则集作为可移植工件在不同组织间迁移，需配套安全审计（防 SkillPoison 类污染）；(6) 反思的因果化：结合反事实重放为每条规则维护量化收益档案，实现证据引导的规则演进；(7) 动态环境下的在线适应——目前进化在评估前冻结，可探索持续学习设定下“进化-评估”边界的放松与遗忘机制；(8) 对规则隔离的形式化分析：什么样的协作需求相似度度量能保证规则安全复用，这可以给出可检验的理论保证。
复现评估
复现条件总体较好但成本不低。开源情况：代码在 GitHub（DEEP-JLU/EvoTeam）公开；附录 D 完整给出 7 个核心 prompt（团队选择、冷启动组建、Chairman 协调、规则选择与使用、团队反思、规则反思、智能体反思），附录 B 给出全部数据划分、指标定义与资源预算，附录 A 给出算法伪代码，透明度高。数据：四个 benchmark 均公开（GAIA 120 条 validation 子集、LoCoBench FI/CR 各 100 条、LOCA-Bench 8 任务类型、BeyondSWE CrossRepo/DepMigrate），划分与 Meta-Team 对齐并固定随机种子（mixed 流用 seed 20260828），LOCA 需自建本地 mock MCP 服务，BeyondSWE 需隔离的仓库执行环境（Docker）。算力与费用：无训练，但推理成本显著——单任务预算上限 GAIA/LoCoBench/BeyondSWE 为 $2.40、LOCA 为 $12.00，且评测用 avg@3；mixed 进化需串行处理 116 个任务加 838 个 holdout 评估，主力模型 GPT-5.6-Luna 与 DeepSeek-V4.1-Flash 均需 API。综合难度评级：中等偏高——工程上需要实现三阶段编排与三个反思器的完整流水线，经济上需要数百美元量级的 API 预算；有了官方代码和 prompt 后主要风险在于复现 LLM 行为的随机性与弱底座模型下效果缩水（Table 2 显示底座对绝对分数影响很大）。
论文图表
对比三种 MAS 范式：(a) 朴素 MAS——固定智能体直接协作；(b) 路由与进化 MAS——固定智能体池，通过反思更新交互但结构单一；(c) 本文方法——从智能体池中选择或创建团队，团队间共享经验但规则按团队独立更新。
一图定位 EvoTeam 在 MAS 研究谱系中的位置：与前两代范式的本质差异是引入了“团队”这一组织层和经验的作用域分离。
(a) 柱状图比较 Vanilla MAS、target-only Meta-Team 与两种跨任务进化（Inter-CT/Intra-CT）的目标任务性能，两种 CT 设定全面落后；(b) 两条真实轨迹分别展示 GAIA 团队做 LocoBench 任务时陷入搜索循环直至 TIMEOUT，以及诊断型规则被复用到实现任务导致在编码前就 FINAL ANSWER 终止。
这是全文的实证动机：证明“跨任务经验复用可能有害”并非直觉推测，直接引出团队重组自由与规则作用域两大设计原则。
以单任务成本为横轴、性能为纵轴比较 Meta-Team、ReCreate、Skill-MAS 与 EvoTeam：EvoTeam 在两个任务上分数最高且成本低于 Meta-Team 与 ReCreate；Skill-MAS 成本最低但分数明显更低。
证明团队范围的协作复用不仅提分还省成本，方法处于性能-成本前沿，是实用性论证的关键。
individual 设定下五个方法在 GAIA、LoCoBench Feat/Refact、BeyondSWE DepMig 上的成本-性能散点：EvoTeam 在 GAIA 与两个 LoCoBench 任务上以最低成本取得最高分；BeyondSWE 上 AgentSquare 和 OWL 更便宜但分数更低。
与 Figure 5 互补，验证成本优势在不同进化设定下均成立。
团队选择 prompt：根据任务的协作模式、专业角色与验证需求匹配团队库，明确“主题相似不足以复用”，不适配时输出冷启动与临时团队描述，且此阶段不招募成员。
体现“按协作需求而非主题组织团队”这一关键设计如何落地为具体指令。
冷启动组建 prompt：从公共智能体池为临时团队选择覆盖所需能力的候选名单，不发明智能体、不预设工作流和交互规则，招募与分工留给 Chairman。
说明候选名单与执行团队的解耦：名单定“可用的人”，任务级招募另做，这是降低不必要参与和 token 消耗的机制。
Chairman prompt：招募最小充足团队、分配互补且可验证的工作、审查返回结果并调解冲突、受阻时重新分配；明确不得因一次失败推断成员能力缺陷。
Chairman 是团队模板的“实例化者”，该 prompt 定义了规划与动态重分配的行为边界。
规则选择 prompt：要求发送方核对规则的发送者-接收者对、触发条件与信息转移需求是否匹配，多规则适用时选最具体的；无适用规则选 NONE 直接沟通；把规则用作信息契约而非固定工作流。
展示“软协调指导”的实现细节，是理解规则为何不会退化成僵硬流程的关键。
团队反思 prompt：基于执行证据决定 create/refine/retain/no_update；要求区分团队结构问题与执行/交互/环境故障，不得因单次失败修改团队；描述只编码可复用协作模式而不含任务专属内容。
揭示团队进化的证据标准与防误伤规则，是库质量保证的核心。
规则反思 prompt：每条规则限定为团队内有向的发送者-接收者契约，基于交接观察与结果决定 create/refine/retain/retire/no_update，要求把任务细节转写为可复用的信息、证据、来源、不确定性、验证与回退要求。
定义了规则“信息契约”语义的具体形式，是规则隔离进化机制的执行单元。
智能体反思 prompt：区分短期行为指令（prompt patch）与可复用过程（skill，含激活条件、步骤与验证）；禁止把一次性答案、任务专属事实、团队/基础设施故障存为可复用改进；要求最小充分修改。
说明技能层为何能跨团队安全复用：存储时已剥离任务语境并限定适用条件。
展示一条实际学到的团队专属规则全文：适用范围（跨组件、需一致接口与状态迁移的特性）、交接要求（verifier 接收接口清单与改动摘要）、验证责任（独立核对编译/工作流/边界条件）、必需证据（审查组件、执行的测试、结果与未解决缺口）以及依赖不可用时的处理。
让读者看到“信息契约”的真实粒度——这不是工作流步骤，而是带验证与证据要求的交接合同。
案例 3 中被三个不同 benchmark 的 holdout 任务复用的团队：描述为“仓库锚定的构建与验证协作”，含上下文分析师、实现者、集成者、验证者四个候选成员，并说明适用于多界面软件变更而非孤立编辑。
证明团队库的跨 benchmark 复用能力：三个来源不同的任务因协作模式相同而选中同一团队。