核心判断：大模型是强大的智能组件，却不是能自我维持的系统。它在理解、生成、推理与工具调用上已具备可用能力，可作为高质量的假设提案者与代码生产者；但它缺少跨越生命周期持续演化所需的状态、目标与反馈机制。
三类结构性边界：
- 状态边界：上下文窗口有限、缺少跨会话持久记忆，长周期项目无法自持；
- 目标边界：真实问题常涉及多目标冲突与偏好权衡，模型难以自主给出可辩护的取舍标准；
- 反馈边界：缺少可执行的评价、选择与淘汰机制，生成的方案无法被客观验证与迭代保留。
结论：模型能力提升 ≠ 系统能力提升。能力是快照，环境是过程。必须把大模型嵌入“生成—评价—选择—沉淀”的演化闭环：以群体智能维持候选多样性、以代理模型压缩高昂的评价成本、以选择与沉淀机制留存有效经验，才能让智能在动态环境中保持适应。这正是 EvoX 的立足点，也为后续“演化对象从参数扩展到程序”“方法自身演化”“项目级持久化”提供必要性论证。
大模型单体能力栈与系统级演化闭环对比图
左侧把大模型当作独立能力栈，其理解、生成、推理与工具调用只产出静态快照；右侧则把LLM降为一个模块嵌入“生成—评价—选择—沉淀”闭环，用群体智能维持候选多样性、代理模型压缩评价成本、选择与沉淀机制保留有效经验，说明模型能力提升不等于系统能力提升。
大模型单体能力栈与系统级演化闭环对比图
左侧把大模型当作独立能力栈，其理解、生成、推理与工具调用只产出静态快照；右侧则把LLM降为一个模块嵌入“生成—评价—选择—沉淀”闭环，用群体智能维持候选多样性、代理模型压缩评价成本、选择与沉淀机制保留有效经验，说明模型能力提升不等于系统能力提升。
