本示例在公开的 AgentEvaluator 与 AgentOptimizer 之上增加独立编排层，形成“基线评测、失败归因、候选生成、独立回归、Gate 决策、审计落盘”的完整闭环，不修改 SDK 公共 API。失败归因采用规则优先策略：先根据执行异常、实际与期望工具选择、参数差异、工具响应、JSON 格式和判定原因分类；trace 模式优先使用真实中间轨迹，期望会话只作为参照。只有规则不能解释时才保留可扩展的 judge 入口；每个结论都带有类型、证据和置信度。
接受策略由 Gate 独立掌握，优化器的 round 状态或摘要不能直接决定通过。候选必须具有完整提示词映射，并在 PromptSandbox 中重新跑完整训练集和验证集。Gate 会拒绝评测不完整、新增 hard fail、关键回归、超出允许范围的回归、指标低于下限、验证集无增益、成本或耗时超预算以及违反平局策略的候选；未知成本会记录为警告。赢家按新增 hard fail、关键回归数、验证集通过率和得分、成本、耗时与稳定候选 ID 排序。
防过拟合依靠训练集与验证集的独立全量回归，而不是读取优化器轮次指标。若训练提升而验证下降，或泛化差距超过配置阈值，Gate 会直接拒绝。优化期间固定 update_source=False，候选只作用于临时目标提示词目录；默认不回写，显式允许回写时还要校验基线和候选摘要。
每次运行都会生成可由 Pydantic 读取的 OptimizationReport，并保存脱敏后的输入、环境、原始、归一化、候选与 Gate 审计产物。fake 和 trace 路径不需要 API Key、网络或 LLM judge，且输出稳定可复现；live 模式缺少必要环境变量会在启动优化器前安全退出。