递归自我改进受控制论小增益定理约束：反馈回路增益超过安全边界会导致振荡崩溃。Rohrs反例说明，模型忽略现实动态就会失控。核心瓶颈是可信现实反馈的生成速度，稳定决定速度上限。应限制单次修改、保留安全退路、警惕满分测试集。外部验证能打破死循环，但其错误率影响尚不明确。

本文介绍如何设计能可靠自我纠正的AI代理，关键在于将反馈循环基于外部验证而非模型自身判断。通过构建代码生成代理示例，展示使用真实测试验证器、有限重试循环和结构化升级路径。还添加基于一致性的置信门控，生成独立第二方案确认正确性。强调自我纠正仅在外部信号存在时有效，并需设置重试上限和记录失败轨迹。

AI智能体的生成能力迅速提升，但验证能力未能跟上，导致“生成-验证差距”。这一差距使得模型在自我修正时无法识别错误，甚至可能放大错误信念，影响系统的可靠性。为解决此问题，建议引入外部验证机制和多样性验证，并限制自我修正的轮数，以提升模型的输出质量和安全性。