为什么让 agent 自评自己的产出，往往会系统性偏乐观？实际该怎么补一个外部评估面？

因为自评天然有路径依赖：同一个 agent 往往共享了同样的假设、同样的上下文、同样的错误框架。它很容易把“我当时这么想有道理”误当成“结果真的好”。

自评不是完全没用，但更适合做快速 sanity check，而不是最终质量判断。

真正更稳的补强通常来自外部评估面，比如：另一种视角的 reviewer、硬性验证脚本、对照样本、人工抽检、独立 judge。

关键不是多一个点评者，而是让评估不再共享原来的那套错觉路径。