关键贡献： 解决了从原子“工具调用”向复杂“技能包”演进的难题。提出了 Co-Evolutionary Verification 架构，通过一个随技能同步演化的 Surrogate Verifier，在无标注数据下提供反馈。证明了技能（跨文件组件）可以像代码一样递归优化。

关键贡献： 挑战了“内存作为外部服务”的传统 RAG 范式。提出 Agent-Native Memory，由推理 LLM 自主管理、清理和结构化上下文树。通过 Adaptive Knowledge Lifecycle (AKL) 实现重要性评分与衰减。完全摒弃了向量数据库，采用本地 Markdown 结构，大幅提升了语义一致性。

关键贡献： 建立了一种 Rectify-then-Fortify 的训练课程。通过 GRPO 算法同时优化推理和自纠错步。在 Qwen3-4B 上实现 AIME 性能提升 +11.5%，证明了“自精炼”能力是可以被直接训练并与推理能力协同增长的。

发现： 顶尖 Agent (Claude Code, Cursor) 在工业预测与健康管理 (PHM) 任务中仅能达到 68% 的完成度。主要瓶颈在于工具编排顺序错误 (23%) 和跨设备泛化能力 (42.7%)。强调了 RSI 在安全性/鲁棒性方面的缺失。

发现： 在个人电脑规模的文件管理中，Agent 的感知与定位是核心短板（准确率仅 48.3%）。这验证了 Yanhua 本地基底持久化（Substrate Persistence）需要更强的递归状态压缩能力。