SelfOp：一种面向自我改进安全智能体的优化算法

研究者提出 SelfOp，一种在不修改执行框架和模型权重的前提下，自动优化安全智能体任务上下文（指令、技能与参考文档）的算法，面向漏洞发现、漏洞复现和补丁生成等安全任务。该方法把上下文优化建模为受链式法则启发的文本梯度下降，从单个实例的结果出发，把错误信号经评估器、智能体轨迹和上下文产物反向传播，得到逐实例文本梯度，再经聚类、排序和过滤跨实例累积，仅在跨实例一致时提交；收敛检测器监控梯度信号本身，无需留出验证数据即可停止。在真实漏洞复现基准 CyberGym 上，用不到 200 个训练样本，SelfOp 使 GPT-5.4-mini（搭配 Codex）自我提升 17 分，足以超过前沿 GPT-5.4 基线 6 分，GPT-5.4 本身提升 18.5 分，优化后的技能还可跨模型迁移。