Problem

1. Attacker自我优化怎么做（无额外judge）？

2. 现有LOOP优化信号合理否？有合适的、能够表达到成功jail距离or方向的信号么？

3. 无论是自我优化还是单独的第三视角的评论员优化，何时进行方向调整，何时专注与此方向优化是一个问题，这里的方向是指策略么？还是某个角度？。

4. 当前采用的Attacker LLM 是否具有思考能力？ 用pro替换flash效果会更好么（ > 5%）？

To DO

1. Loop优化加入全上下文loop

2.