第 2 章 稳态：让一次成功变成次次可解释

第一章结束时，你已经让系统跑了起来。现在真正的挑战才刚开始：你明天再跑一次，它还能像今天这样可靠吗？

很多人一提“复现”就紧张，仿佛必须每个字符、每个数字都完全一样。真实世界不是这么运作的。对 EvoScientist 这样的多组件系统来说，更重要的复现标准是：行为链路稳定、关键差异可追踪、结果边界可说明。

费曼会说，科学不是追求“神奇地总是一样”，而是追求“为什么不一样也能解释清楚”。

先看配置这一层。EvoScientist.py 的 _ensure_config() 会把配置缓存并同步到环境，这相当于给会话建立了一个稳定的“实验条件”。如果你今天用某个 provider/model，明天默默换了另一个，再来讨论“系统是不是不稳”，这个问题本身就不成立。真正要固定的，不只是模型名，还包括 auto_approve 和 enable_ask_user，因为它们会改变执行分支，等于你悄悄换了实验流程。

再看 MCP。系统在 _load_mcp_tools_cached() 里做了一个很聪明的动作：按配置签名缓存工具连接结果。配置没变，就不反复重连。你可以把它想成实验室门口的登记本：人员和设备都没变，就不需要每次重新布置场地。这个机制直接降低了反复开新会话时的抖动感。

很多“复现失败”其实还有一个隐形元凶：路径漂移。paths.py 把当前目录作为工作区根，派生出 memory/、skills/ 等状态目录。你从不同目录启动，就像在不同实验室做同名实验。结果不同并不神秘，只是上下文不同。

稳态还包含“失败时的姿态”。ToolErrorHandlerMiddleware 让工具异常变成可读错误消息，交还 agent 继续决策；AskUserMiddleware 在关键信息缺失时中断并询问用户。稳定系统不是从不出错，而是出错后路径仍然清晰、可重走、可复盘。

当你能做到这几点：固定配置、固定工作区、固定工具暴露、记录关键分支，你就从“会用 EvoScientist”进入“会驾驭 EvoScientist”。下一章我们继续往前：不仅要跑得稳，还要看懂结果背后到底发生了什么。