传统自动化推荐系统设计方法，如神经架构搜索（NAS），通常受限于人类先验定义的固定搜索空间，将创新约束在预定义的操作符内。尽管近期基于大语言模型的代码进化框架将目标转向开放式程序空间，但它们主要依赖标量评估指标，无法提供模型失败的定性洞察或改进的方向性指导。为应对此挑战，研究团队提出了Self-EvolveRec这一新颖框架。该框架通过整合用户模拟器进行定性批判，以及模型诊断工具进行定量内部验证，从而建立起一个方向性的反馈循环。此外，团队引入了诊断工具与模型协同进化策略，确保评估标准能够随着推荐架构的演化而动态调整。实验表明，Self-EvolveRec在推荐性能和用户满意度方面均显著优于当前先进的NAS和基于LLM的代码进化基线方法。该研究为推荐系统的自动化设计提供了新的思路，通过结合定性与定量反馈，推动系统实现更自主、更有效的持续进化。
