失败源于信念错误，而非技能不足
EvoBelief 针对的是以流程为中心的自改进方式留下的空白。从过往轨迹、反思、记忆或提炼技能中学习的智能体，会变得更擅长“怎么行动”，但它们仍然依据对环境如何响应的先验信念行动。当这些信念不完整、不正确或过时时，即使程序能力很强的智能体也可能失败。
论文的动机案例是一个合成任务：智能体知道如何加热、提纯和分析样品，但它的先验认为化合物 X 在 120 °C 以内稳定，而 X 实际在 100 °C 就分解。像“用更低温度”这样的任务级补丁能修好一次回合，却没有抓住背后的性质。改为测试 X 的稳定性如何随温度变化，并保留由此得到的约束，就能同时指导合成、运输、储存和分析。
这就是论文把贡献称为“信念演化”的原因：它维护一个持久的环境动态模型，这个模型能支撑多个任务，但其中的错误也会跨任务传播。智能体的策略回答如何朝目标行动；世界模型回答环境如何响应动作。
假设被写成可检验的断言
在模型参数固定的前提下，EvoBelief 维护两个外部化状态。一个是每回合的状态估计，记录观察到的实体、关系、数量和任务进度，在每个回合边界重置。另一个是持久的世界信念，它跨回合重置保留，只在新证据到来时改变。冻结的语言模型提供通用先验；持久存储保存部署期间学到的环境特定知识。
这个存储的基本单位是可证伪假设，写成：当条件 C 成立时，执行动作或流程 A 应产生可观察后果 Y。由于可以确立 C、执行 A 并检查 Y，这一断言可以直接检验。每个假设还带有它被支持的范围、检验它的配方和证据记录。A 可以是单个动作、多步流程或测量干预；Y 可以是状态变化或测量得到的量。
假设可以混合固定实体和抽象对象角色。使用时，角色绑定到当前上下文中的具体对象，更广的范围必须从不同绑定上的证据中赢得，而不能预先假定。例如“加热到约 80 °C 以上会使样品分解”这条规则，最初绑定到化合物 X，只有在获得其他化合物的证据后才覆盖它们。
意外结果与决策相关未知触发假设
假设形成从空的信念存储和智能体自身的交互开始。行动之后，EvoBelief 把实际结果与行动前做出的预测进行比较。有依据的预测不匹配说明当前模型有误；决策关键的未知，即解决它会改变智能体下一步该做什么的未知，说明模型不完整。
一个意外结果可能有多种解释，因此 EvoBelief 会保留相互竞争的假设，直到后续证据把它们区分开。在化合物 X 的例子中，分解可能取决于温度、加热时长或容器。关键在于，形成假设并不等于为它提供证据：未验证的假设不能作为已确立知识来为任务导向的行动辩护，但可以推动一次实验。
证据来自被动观察或获准的实验
证据通过两条路径到达假设。被动证据来自恰好检验了现有假设的普通任务转移，例如后续任务加热化合物 X 并记录它是否保持完整。主动证据来自专门为解决不确定性或区分竞争假设而运行的实验。两者更新同一条证据记录。
主动实验使用真实环境动作，因此消耗任务的交互预算。只有当实验结果能改变智能体必须做出的决策、没有已验证规则能解决该问题、且所需设置可执行时，EvoBelief 才允许进行实验。支持与证伪标准在实验运行前固定，实际结果把检验判定为支持、反例或不确定。不确定的检验既不算支持也不算反证，未解决的假设保持待定，可在之后检验。
规则只能凭独立证据获得权限
权限是论文使用的术语，指允许一条学到的断言指导后续预测或计划。新形成的假设没有权限。要成为已验证规则，其支持证据必须在三个不同计数上达到阈值：不同回合、不同绑定和独立测试。这些阈值在任何基准运行前设定，从不在基准结果上调参。
最初形成假设的那次事件本身永远不能授予可复用权限，每个泛化角色都必须在支持它的绑定之间发生变化。一批化合物 X 在 90 °C 分解还不够；这条断言必须在之后的不同回合、不同批次上再次成立，才能指导加热决策。
反证可以移除权限。EvoBelief 先把规则收窄到仍被幸存证据支持的范围，再重新计算承诺条件。如果幸存证据不再满足条件，规则被降级：它失去可复用权限但保留证据，因此后续支持可以恢复它。只有当反复出现的反例使规则不再有任何支持证据时，规则才被退役。由于记录被保留，每次状态变化都能追溯到导致它的观察。
已验证规则改变预测，不改变执行者提示
在每个决策点，智能体在无法访问世界信念的情况下形成候选动作。对每个候选，冻结的预测器给出一个锚点预测，即不考虑已学规则时会预期发生什么。只有条件成立且范围覆盖当前绑定的已验证规则才能改变该锚点。仅检索规则本身没有效果。
规则支持的后果以两种方式影响行为。它们可以修正候选的预期结果，改变其排名，或在必要前提被违反时排除该候选；一旦化合物 X 的分解规则得到验证，把 X 加热到 100 °C 就会排到更低温度路线之后。兼容的规则还可以串联成短计划，当一条规则的后果建立另一条规则的条件时，智能体可以执行该计划的第一步，即使它不在候选之中。已验证的定量关系同样可以设定达到目标后果所需的参数值。
如果没有已验证规则适用，EvoBelief 回退到它在没有世界模型时本会做出的同一选择。一个实现细节对解读结果很重要：规则生命周期及其权限检查在执行者之外强制执行，执行者从不接收已验证规则文本。在 ALFWorld、MiniGrid 和 ScienceWorld 上，规则支持的后果直接由结构化表示计算；DiscoveryWorld 是唯一一个冻结预测引擎还可能进行规则条件模型调用的基准。
静态、漂移与发现场景均见提升
评估覆盖四个基准，涵盖静态动态、隐藏漂移和科学发现。在没有执行者侧转移记忆的 ALFWorld 上，EvoBelief 相对匹配的 Frozen World Model 把成功率提高 23.9 个百分点（Claude Haiku 4.5）和 31.3 个百分点（GPT-5.4）。绝对成功率分别为 66.42% 对 42.54%（Haiku）和 76.12% 对 44.78%（GPT-5.4）。
记忆设置会改变比较结果。在有执行者侧转移记忆时，EvoBelief 在 ALFWorld 上用 Haiku 达到 68.66%，用 GPT-5.4 达到 76.87%，而 Frozen WM 分别为 57.46% 和 55.22%。论文自己的解读是：当情节记忆已经补上先验缺失的信息时，规则与记忆部分互为替代，这也是无记忆设置能分离出更大增益的原因。
在 MiniGrid 上，智能体必须找出真正能打开锁门的钥匙，并在 24 步内到达目标箱子；EvoBelief 会修正过时规则，并在未预告的动态变化后恢复。在 DiscoveryWorld 的 Reactor Lab 中，每个反应堆只有在调谐到由隐藏参数定律决定的共振频率 ±2 Hz 以内时才会激活；EvoBelief 完成 83.3% 的 Normal 级和 58.3% 的 Challenge 级实例，而每个被评估基线均为 0%。这些发现任务在 GPT-5.4 上每级使用十二个全新任务实例，四种方法跑同一批实例，各尝试一次，且不使用转移记忆。
优势取决于记忆已提供了什么
论文的核心区分是改进智能体的行动方式与纠正它对环境的信念。EvoBelief 的增益在冻结先验有误、且没有其他来源补上缺失环境知识时最大，正如 ALFWorld 无记忆比较所示。当转移记忆已经携带这些信息时，差距缩小，两种机制部分互相替代。
第二个区分是学会一条规则与获准使用它。对回合、绑定和测试的承诺阈值，加上反证下的降级与退役，正是防止积累的知识在动态变化时变成负担的机制。这也是为什么一条已验证规则能帮助智能体从未见过的任务：它描述的是环境，而不是单个任务。
实际优先级由这两个条件决定。当失败可追溯到隐藏、漂移或可表达为定量定律的环境动态，且智能体缺少其他记录这些动态的通道时，EvoBelief 最值得增加这套机制。当情节记忆已经覆盖这一空白时，应预期规则层带来的增量更小，并以它能否从不再成立的规则中收回权限来评判它。
本文引用的文献
EvoBelief: Falsifiable World Models for Self-Improving LLM Agents
EvoBelief 把可证伪的环境假设演化为有证据支持的规则，用来指导冻结 LLM 智能体的预测和计划；在没有转移记忆的 ALFWorld 上，它相对匹配的 Frozen World Model 把成功率提高 23.9 和 31.3 个百分点。