2026年9月16日 · 阅读 —
RSI，别名自我进化：从 agent-loop 到 agent-harness 到递归自我改进，AI 工程到底在往哪一层堆能力
RSI，别名自我进化：从 agent-loop 到 agent-harness 到递归自我改进，AI 工程到底在往哪一层堆能力
DeepSeek Harness 开源，把”Harness”这东西推到了讨论中心，一群人吵它到底算不算够格的 Agent 运行系统。
然后是 GitHub、arXiv 上一个叫 RSIAgent 的项目火起来，机器之心直接写”开源模型在计算机操作基准上越级击败 GPT-6”。
三个词——Harness、Agent Loop、RSI（递归自我改进）——经常被混着用，也经常被对立着用。
有人拿 RSI 踩 Harness，说脚手架要过时了。
有人把 RSI 吹成”通向 AGI 的下一站”，好像真能一夜之间越用越强。
我把本地知识库里能翻到的相关长文、论文、仓库 README 看了一遍，想用自己的工程坐标系把这几个概念彻底捋一遍。
结论
Agent 的能力不是底层模型单给的，是一层一层堆出来的。Agent Loop 管一次思考，Agent Harness 管一次任务，RSI 管”任务和任务之间”的时间累积。三者不是竞争，是三个不同的尺度。RSI 是这三层里唯一带”时钟”的那一层——也是被吹得最凶、却被验证得最少的一层。
这三层到底差在哪，一个个拆。
先把三个词摆到一起
我先用个比喻把三个层次钉住。
把 AI Agent 想成一辆车。
发动机是底层模型——出 token、理解路况、决定怎么打方向盘。
Agent Loop 是”打一次方向盘”的循环：看见前方（观察）→ 决定（思考）→ 打方向（行动）→ 再看前方（再观察）。它管的是极短时间尺度上的”思考—行动—观察”遍历，一轮接一轮。
Agent Harness 是这辆车除发动机之外的整套东西：变速箱、底盘、传感器、刹车、导航。它决定这辆车一趟行程里能不能稳当从 A 到 B——上下文怎么组织、记忆怎么存、工具怎么调、出错怎么恢复、该不该让乘客踩刹车。同一台发动机换一套底盘，整车表现可能天差地别。
RSI 是”运输公司的车队调度”：它不管单趟——单趟是车队上路那辆车的事，它管的是今天这趟跑完之后，明天车队怎么更强。今天哪段路翻了车，记下来；哪条路线更快，沉淀成标准流程；明天上线直接复用，而不是又从零摸索。
翻译成工程语言，就是开头那句话：
- Agent Loop 解决”Δ t 内单回合作出的决策”。
- Agent Harness 解决”从接下任务到交付结果”的一次任务周期。
- RSI 解决”跨任务的状态累积”——让下一次的自己站在这一次的经验上。
三个尺度完全不同，但特别容易被搞混。所以下面把这篇文章的重点放在讲清”它们各自管什么、边界在哪”，而不是建议你选哪个。
Agent Loop：最底层的思考—行动—观察循环
Loop 是接触 Agent 时第一个碰到的概念，也最容易被低估。
它本质上就是那个经典的 ReAct 循环：reason → act → observe → 再 reason。
每步，模型看当前状态，决定下一步干什么（可能是调一个工具，也可能直接给答案），把工具返回的结果当新的观察，继续循环，直到任务结束。
它解决的是任何 Agent 都绕不开的问题：模型不能输出一段话就算交差，它得能和真实世界交互、能调工具、能按反馈调整。
但 Loop 有个致命、又经常被忽略的局限：
它”失忆”，而且只管单回合。
Loop 本身没有”跨任务”概念。今天做完一个任务，明天做另一个，它不会记得昨天怎么解的。每次任务，模型都像头一回进这个领域。
更糟的是，即使单次任务内，Context Window 也有限。任务一长，历史塞不下，Loop 就撞墙。
所以光靠 Loop，Agent 只能”会做”，做不到”越做越好”。这也解释了为什么很快有人发现，得在 Loop 外面再套一层东西。
Agent Harness：一次任务的控制系统
如果说 Loop 是”引擎怎么转”，Harness 就是”整台机器怎么组织起来干完一次活”。
我认同唐国梁那篇长文里把 Harness 比作”变速箱、底盘、传感器和整套控制系统”，但还想再补一句——Harness 最核心的职责，是压缩模型行为的不确定性。
模型天生是概率性的。
它可能选错工具、重复执行、忘记中间状态、失败后走错恢复路径、把”局部完成”当成”任务完成”、没确认就执行有副作用的操作。
Harness 要做的，就是用一整套约束，把这些概率性压到可管理范围：模型能看到什么、能调什么、输出保留多少、错误怎么分类、任务怎么验收、哪些操作必须先确认、失败后从哪恢复、什么时候必须停。
围绕这个核心，一套完整 Harness 通常有四大块：
| 组件 | 干什么 |
|---|---|
| 记忆管理 | 决定留哪些历史、怎么组织、怎么给模型——全量上下文，还是分层摘要，还是结构化事实库 |
| 规划策略 | 怎么把复杂任务拆子目标，怎么跟进度，遇意外怎么调 |
| 动作协议 | 模型输出的动作怎么执行，出错怎么办，结果怎么返回 |
| 工具与技能编排 | 从工具库选当前该用哪个，怎么组合，怎么管更复杂的技能 |
这里有个容易被忽略的事实，JIT-Agent 那篇论文讲得最透：同一套模型，换一套 Harness，最终表现可能天差地别。
这也是为什么开源模型经过精心调好的 Harness，有时候能接近甚至超过闭源旗舰——你看到的能力里，其实混进了大量 Harness 的差异，不只是模型的差异。
JIT-Agent 那张表很说明问题：GLM-5.2 搭上它生成的 Harness，平均涨 7.7 分，最高单个任务涨 20.2 分，成本平均还降了 36%。
不过 Harness 有自己的天花板：它往往是”提前设计（AOT）“的静态产物。
开发者凭经验预先把一套固定架构（上下文怎么管、规划怎么拆、工具怎么排）封成运行时。任务分布稳定时它不错，但一碰上异构任务就处处妥协——广度搜索要并行、终端操作要精简循环、深度研究要长时记忆、代码开发要文件系统状态，用一套通用 Harness 硬套所有场景，总有个维度在亏。
而且，Harness 通常不会自己进化。它是个写死的运行框架——你今天手工调好，它不会随使用越变越强，除非你给它套上”会进化”的机制。
而那，正是 RSI 干的事。
RSI：带”时钟”的那一层
现在聊主角。
RSI（Recursive Self-Improvement，递归自我改进），别名自我进化、Self-Evolving、Self-Improving。
定义我直接用”万字长文带你读懂 RSI”里那句，框得比较严谨：
RSI 指：Agent 在与环境交互后，利用任务轨迹与反馈，通过更新机制修改自身状态，并让更新后的状态参与后续任务，以提升未来表现。
注意几个关键词——轨迹、反馈、更新机制、修改自身、参与后续任务。
这跟我前面说的”带时钟”对上了：它不是在一次任务内做优化，而是在任务和任务之间积累和更新。
因为改进对象和实现路径差异太大，RSI 很难用某一种具体方法概括：有人改模型参数，有人积累上下文或记忆，有人演化 Skill，还有人直接去改工具、控制流程和 Harness 代码。
所以读 RSI，重要的不是背个定义，是建立一套分析 RSI 的坐标系。这样以后碰到任何自进化工作，都能立刻判断它在解决什么、和已有工作区别在哪。
下面这套坐标系，整理自”万字长文”，我用自己的话复述一遍。
先记住一个公式：Agent = Model + Harness
所有讨论都从这出发：现代智能体可以抽象成 Agent = Model + Harness。
Model 提供理解、推理、生成。Harness 组织模型怎么收信息、积累经验、调工具、完成任务——具体包括上下文、记忆、Skill、工具和 Harness 代码。
不同的 RSI 方法，区别就在于它们去改 Model 还是改 Harness 的哪一部分。 这是整套坐标系的钥匙。
维度一：RSI 在进化什么？
- 参数进化：把经验写回模型权重。好处是知识直接内化进模型，不用每次检索；代价是更新贵、难定位、难撤销，一次错误训练可能污染一堆无关任务。代表是 SEAL 那类”自修改语言模型”。
- 上下文进化：不碰权重，而是按任务结果重新组织模型下次看到的材料——删无关、压长历史、补失败教训、重写计划。Prime Agent 用一个持久化工作台存历史和中间结果，模型再次运行不从头开始。
- 记忆进化：把经验写进独立的长期存储，后续按需检索。ReasoningBank 把成功和失败轨迹提炼成简短、可复用的经验，新任务来就检索相关策略，做完再提炼写回。它体现一条共性原则：直接存整条轨迹往往不好，冗余太多，要提炼成经验。
- Skill 进化：单条记忆记”某次发生了什么”，Skill 总结”以后这类问题该怎么做”。TRACE 维护一个 Skill Bank，按成功失败轨迹持续改每个 Skill。价值在于：一类任务出问题时只改相关 Skill，不用重写整套 Prompt。
- Harness 代码进化：最深的一层。不只改 Skill 怎么用，还能改上下文构造方式、增删工具、改执行逻辑。SkillSmith 允许同时改 Skill 和工具，理由是”如果任务失败是工具能力不够，光改工具说明文字没用”。它还盯着多个 Skill 一起用时会不会互相干扰。
一句话：从参数到 Skill 再到 Harness 代码，越往下越”结构性”、影响越大，成本、风险和验证难度也越高。
维度二：进化结构——链、树还是图？
这个维度问的是新版本怎么继承历史结果，决定探索范围、评测成本，以及从错误更新里恢复的能力。
- 链（Chain）：始终只有一个在用的版本，A0 → A1 → A2 → … 一条路走到底。实现简单，但前一轮的错误会被下一轮直接继承。SkillFlow 是典型，还踩了个坑：表现差的配置容易不断新增相似 Skill，把库越搞越碎，错误 Skill 还会被后续任务沿用。
- 树（Tree）：保留多个 Agent 版本，一个版本能生出多个子版本，不同改进方向形成分支。暂时表现差的也能留，某项修改可能是后续改进的基础。代价是分支多了，选父代和评测新版本的算力、时间都涨。Darwin Gödel Machine 用 SWE-bench 一路把编程从 20% 进化到 50%，但一次完整实验约需两周、token 消耗很高。
- 图（Graph）：允许一次更新同时参考多个历史来源——同一 Agent 不同任务的轨迹，或另一条分支的执行结果。Mendel Gödel Machine 用”跨任务轨迹对照”和”跨分支轨迹对照”来修 bug：多个任务反复出现相似问题时，能判断多半是 Agent 自身问题而非某道题特殊。它 Polyglot 能到 93.2%，远超只看单条轨迹的树式基线 77.9%。
树和图容错更强、探索更深，代价是钱和时间。链最便宜，但最容易一条道走到黑。
维度三：谁来更新 Agent？
执行任务的叫 Student，分析轨迹、参与修改的叫 Teacher。按谁改，分三类：
- 自身更新：Student 自己总结经验改自己。省传话，但风险是——如果 Student 理解错了反馈，错误也会写进长期产物，继续影响后面任务。
- 教师更新：执行的 Student 不改，由独立 Teacher（另一个 Agent、反思模块或优化器）写持久产物。Recuris 就是固定 Meta-Agent 汇总跨任务失败，验证过后再改 Skill Memory。
- 联合更新：两方都参与，一方诊断一方实现，或一方总结一方写入。Evo-Harness 里 Solver 先总结候选经验，Evolver 再筛选整理写入，内容是二者共同产生的。
这个维度直接关系到可靠性和责任划定——谁来改，谁就得对”改得对不对”负责。
维度四：更新时机——离线、在线还是混合？
按”执行任务”和”更新经验”的时间关系：
- 离线 RSI：在训练任务里先更新到位，进测试阶段后保持不变。训练和测试任务不能完全重叠（否则是背答案），也不能完全不同（否则看不出经验有没有用）。GDPevo 用”规则重组”的方式构造任务，专门检验 Agent 是泛化了、还是见过类似题。
- 在线 RSI：任务排成连续序列，边做边更新，前面任务的经验影响后面。FinEvo-Bench 让 120 个金融任务交错排列，还设了个状态重置的对照组，才把”保留经验”带来的提升单独测出来。
- 混合模式：先离线建一批初始经验，再在实际使用中持续补。Mem²Evolve 先用部分任务建好初始工具和专家 Agent，再边用边补。
离线最可控、最公平，在线最贴近真实但难测干净，混合最务实。
一个能上手的开源实现：RSIAgent
坐标系搭完，看个具体的货。
RSIAgent 最近在 https://github.com/AetherLabsAI/RSIAgent、[arXiv 2609.15364] https://arxiv.org/abs/2609.15364 上火起来，最抓眼球的是那句：开源模型在计算机操作基准上越级击败 GPT-6 Astra——不更新模型权重。
它的关键技术选择是 training-free（免训练）。
通常让 AI 变强 = 更大模型、更多数据、更新权重。但 RSIAgent 不碰权重。它走的是完全不同的路子：用多智能体的”探索—验证—沉淀记忆”循环，让模型在陌生环境里积累可复用经验，模型参数在探索和执行里一动不动。
这正好呼应 RSI 的本质——你改进的不一定是权重，而是”下一次能调用的经验”。
三个智能体，一所分工明确的学校
RSIAgent 不是单个 AI 单打独斗，是三个智能体组成闭环：
- Curriculum Agent（出题老师）：根据当前已知信息，决定接下来探索什么、练什么，判断继续练还有没有价值。
- Actor Agent（动手的学生）：执行 Python/Bash 与软件交互，观察结果，验证通过后把经验蒸馏、整理进记忆。
- Verifier Agent（批改老师）：独立检查任务要求和最终环境状态，给”对/错”反馈。关键——它读不到 Actor 的私有推理和记忆，只能凭最终结果判断，保证批改公平。
这套三角色拆解，是 RSI 工程里很值得抄的一课：
出题、做题、批改的人分开，各守一道信息边界。出题老师不能剧透，批改老师不能偷看草稿。这样学习闭环才干净、才可验证。
它顺带回答了”谁来更新”那个维度里的可靠性质疑——把更新和验证拆开，不让学生自己出题自己评分。
先广后深：刷题式学习
RSIAgent 的探索分两阶段：
- BRS（广度递归探索）：像学生拿到新课本先快速通读，并行探索多个互补方向，快速摸清环境的结构、工具、可能的操作流程。
- DRS（深度递归探索）：再针对难点、隐藏约束、边界条件、之前没发现的因果依赖，做”刷题式”反复练习，直到真正攻克。
很像聪明的学生整理错题本：广撒网找出薄弱环节，再针对错题反复练，把失败教训一并记进笔记。
这里有个容易被漏掉的重点：失败的教训同样进记忆。 论文强调，经验就是跨任务持续的”学习状态”，每次独立尝试间环境和交互历史会重置，但验证过的成功与失败，都会成为下一轮探索的养料。
经验，比参数更值钱
整个流程分三阶段，像”学习—刷题—考试”：
- Phase 1·BRS：出题老师提多样项目，多个学生并行探索、互相批改，之后把经验逐条沉淀。
- Phase 2·DRS：针对暴露的薄弱点聚焦练习，每条验证过的经验先更新记忆，再进下一轮。
- Phase 3·测试时记忆复用：冻结记忆，学生只凭记忆完成正式任务，模型权重、Agent 框架全程不变。
设计的精妙在于一句话：真正被复用的是记忆，不是参数。
记忆里存的是可检查、可复用的”操作手册”——具体到一段脚本、一条流程、一个被验证过的参数。论文给过实例：REAPER 音频软件里，AI 通过练习修正重采样设置，把 RENDER_RESAMPLE 0 0 0 这样的经验值写进记忆，供后续任务直接调用。
效果数字，和我的一点保留
官方仓库报告了组成绩，README 里写明了统计口径：
| 基准 | 无 RSI | 有 RSI |
|---|---|---|
| OSWorld 2.0 · 0808 离线 · 82 任务 | 71.97 | 78.98 |
| Agents’ Last Exam · Near-term · 67 任务 | 83.75 | 84.82 |
“越级击败 GPT-6”指的就是开源模型靠这套免训练的记忆复用，在计算机操作类任务上反超闭源旗舰。
还有个单点实例挺说明问题——REAPER 里完成一段广播插播，基线 68.00，第一次”冻结记忆”评测直接跳到 94.17。拆开看，“结尾处理”那环从 0.2837 飙到 0.8996，正是练习里”悟”出来的关键修正。
但这里有句要紧的话得说：官方的 reporting notes 写得明白，这些 RSI 列”录入了 41 条 RSI 记录（OSWorld）、19 条（ALE）“，其余保留基线；RSI 列”包含不同预算下的选择性重试和 checkpoint，不是对匹配多次运行的简单平均”。 它自己都没把话说满。
所以——成绩是真的，但”最强”那顶帽子，得先扣个问号。
冷静时刻：RSI 到底进化了什么？
前面把 RSI 讲得挺美。现在泼冷水，因为这篇文章的立场是分清”判断”和”事实”。
本地知识库里有一篇，标题直接戳中要害：《Harness 自进化真的有效吗？提升可能只是”多试了几次”》。
它问了一个任何 RSI / Harness Evolution 工作都躲不开的问题：
如果多跑几遍就能拿到同样甚至更好的结果，那所谓”自进化”究竟进化了什么？
必须和 test-time scaling 做对比
这篇的逻辑很硬：很多 Harness Evolution 工作，是在某个 benchmark 上跑 Agent，按返回值不断改，最后再用改好的 Harness 在同一个 benchmark 上报成绩。
但 Harness Evolution 本身就是一种搜索——它会在过程中消耗大量额外推理算力。
于是公平的问题变成：在相同反馈、相同推理预算下，Harness Evolution 还比不过”把同一道题简单做五遍再挑最好的”（test-time scaling）吗？
作者在 Terminal Bench 2.1 上把那笔预算花成四种方式：Harness 完全不动、独立做五次挑最好（Parallel Sampling）；Harness 不动但能看到上次结果继续改（Sequential Refinement）；根据一批任务经验改共享 Harness（Harness Evolution）；每做一题就改这题自己的 Harness（Harness Scaling）。
结果呢
第一组：没有 Unit Test 时，Harness Evolution 甚至打不过 test-time scaling。
最简单的 Parallel Sampling 反而最好（68.2→72.3，三个模型全涨）；传统 Harness Evolution 平均只有 67.4，甚至低于那个什么都没优化的 Harness。
原因不难懂：没有外部 verifier，Agent 只能自己判断自己哪错了，可模型的判断本身可能就是错的。一旦第一轮分析方向偏了，后面的 Harness 修改就把错误放大。而 parallel sampling 什么都不学——既然有随机性，干脆多跑几遍，反而更稳。
第二组：给了 Unit Test，Harness Evolution 还是没赢。
加上正确的 correctness signal 后所有方法都变强，但冠军仍不是 Harness Evolution。Parallel Sampling 平均 pass@1 到 86.0，Sequential Refinement 平均 pass@5 到 91.8，Harness Evolution 平均 pass@1 只有 75.8。
关键观察：如果 Harness Evolution 真学到了一个更好的 Harness，那它第一次执行任务就该更强——提升该明显体现在 pass@1 上。但实验没看到这一点。 大量收益发生在”允许多次 trajectory 后再挑成功结果”上。
这说明：所谓 Harness Evolution 的收益，很大一部分不是”学会了更好的工作方式”，而只是系统获得了更多次尝试机会——而 test-time scaling 用更简单的方式就实现了同样的事。
最扎心的：进化出来的 Harness 能泛化吗？
作者把 Terminal Bench 拆成训练集（45）、验证集（10）、完全隔离的测试集（34），Harness Evolution 只能看训练集，最后在没见过的测试集上测。
结果：Claude Opus 4.6 从 63.3 到 64.5，GPT 5.4 从 72.1 到 72.1，平均只提 0.6 个百分点。这和它在自己训练任务上表现出的提升反差极大。
作者判断：当前 Harness Evolution 学到的东西很可能有很强的 task-specific adaptation——更像在适应 benchmark，而不是发现能迁移到新任务的通用 Harness 设计原则。
不是”Harness Evolution 没用”，而是”高估了它证明的东西”
公允地说，这篇不是否定 Harness Evolution，是提醒别把证据读过头。
一个重要原因可能来自 benchmark 本身：Terminal Bench 上强模型已经挺能打了，剩下解决不了的更多受模型能力限制，不是 Harness 设计限制。如果底层模型压根不会做某道题，再聪明的 Harness 也没法凭空造出这能力。
但论文那条评测原则，是真该死守的：
任何带搜索、反思、Memory、Self-Improvement 或迭代优化的 Agent 系统，都应该和相同预算下简单的 test-time scaling 做对比。
否则容易出现这种尴尬：一套很复杂的 Agent，多个 Agent、有 Memory、有 Reflection、有 Evaluator，最终 benchmark 提了 5 个点，看起来设计很有效；但把同样的 token 和推理预算给一个最简单的 Agent 让它做五遍，也提 5 个点——那真正带来提升的就不是那套复杂架构，只是模型多试了几次。
Agent 系统越复杂，“用了更多计算”和”算法真的更聪明”这两件事，就越难分清。
自我修改 ≠ 自我改进
上面那盆冷水，引出一个我在 DeepSeek Harness 争议里读到、觉得最有分量的辨析。
Agent 能改自己的 Prompt、能生成新插件、能重写工具，这叫自我修改。但改完之后有三种结果：变好、不变、变坏。
要谈”改进”，就必须有一套独立于修改过程的评价系统：
- 独立的 Evaluator
- 没参与优化的留出任务
- 多次重复实验
- 基线对照
- 版本记录
- Promotion Gate（提升门禁）
- 失败回滚
否则就是自己出题、自己答题、自己评分、自己宣布进步。
这大概是判断一个 RSI 项目真伪最重要的一把尺子。它也能解释为什么我前面把 RSIAgent 的三角色设计看得挺重——它把”批改”独立成 Verifier Agent、且读不到学生私有推理，就是把”自我改进必须借由独立验证者”这条原则落到了工程上。
DSH 争议里还有个洞察：软件可组合 ≠ 行为可组合。
两个插件，软件工程层面接口不冲突就能同时加载；但在行为层面，改文件走终端还是走专用编辑工具？提交由 Git 插件完成还是直接 git commit？两条路径日志一致吗？哪条要审批？终端已提交、Git 插件却没察觉，会不会重复提交？
中间多了一个概率性决策者（模型），一切都不一样了。这也是为什么”工具越多，Agent 反而可能越弱”——每多一个模型可见的工具，就多一套名称、Schema、执行路径、错误类型、副作用，职责一重叠，模型就撞上 Tool Selection Problem。
把这条放进 RSI 语境：RSI 如果只是往动作空间里加东西，很容易越进化越乱。真正的进化应该让系统更会收敛，而不是更会扩张。
那 RSI 和 agent-loop、agent-harness，到底怎么分工？
把三层摆在一起，做这张表——也是这篇文章我觉得最值得留的一张图。
| Agent Loop | Agent Harness | RSI | |
|---|---|---|---|
| 管的时间尺度 | Δt，一次思考—行动—观察 | 一次任务周期 | 跨任务的持续累积 |
| 核心问题 | 模型怎么和世界交互 | 怎么从接任务到交付结果 | 怎么让下一次的自己站在这次经验上 |
| 解决什么 | 让模型会”做” | 让模型”稳定地做完” | 让模型”越做越好” |
| 是否带记忆累积 | 否，单回合失忆 | 部分（任务内上下文），但框架本身不随时间变强 | 是，任务间状态可积累和更新 |
| 是否可进化 | 否（天然固定） | 一般固定，除非套上进化机制 | 是，进化的对象可以是 loop、harness 或 model |
| 代表性东西 | ReAct 循环 | 上下文/记忆/工具/规划/沙盒/多Agent | 参数/记忆/Skill/Harness代码进化 |
| 代价与风险 | 简单但受限 | 设计成本高、异构任务适配差 | 算力消耗大、可能只是”多试几次”、难验证 |
一句话总结，也是我的核心判断：
Loop 管”会不会”，Harness 管”稳不稳”，RSI 管”会不会随时间变强”。RSI 不是 Harness 的替代，是 Harness（连同 Loop、连同 Model）之上叠加的一层”演化机制”。 说”Harness 已死、拥抱 RSI”是营销话术；更准的说法是，RSI 让 Harness 从静态脚手架变成能随时间优化的系统。
《Harness已死，Claude Opus 5.2拥抱RSI》那篇，本质是拿对立当标题博眼球。RSI 没让 Harness 过时——RSI 恰恰建立在 Harness 之上。连 RSIAgent 自己都强调”RSI 和测试时执行用同一个 agent 框架”，它没抛弃 loop 和 harness，只是在外面加了一层”先探索、再沉淀、后复用”的时间调度。
工程落地的五道坎
理解完概念，从工程实际操作的角度，把 RSI 真落地时要跨的几道坎列一遍。这五条不是理论担心，是会真撞上的现实问题。
第一道：验证闭环。没有可靠的 Eval，RSI 会失去方向。
这是最关键的一道。《开启 Benchmark 的 Harness 时代》反复强调：当 AI 走向 RSI，评测不再只是模型外的一把尺子，而会成为改进闭环里关键的反馈环节。
评测奖励什么，能力就朝哪长；评测忽略什么，盲点也可能在循环里越放越大。
一个自己出题自己评分自己宣布进步的系统不是 RSI，是自嗨。想形成闭环，Eval 也得进化成系统——能理解上下文、规划评测、组合技能、调度工具、验证证据，甚至审视自身、发现能力缺口、与被测模型一起进化。
这也是 15 家机构联合发 HarnessEval、要把 Evaluation 也”Harness 化”的原因：从 Metric 到 Harness，从固定 rubric 到可执行工作流，从排行榜数字到透明的 evidence tree（证据树）。
第二道：算力账。进化是要花真金白银的。
DGM 一次完整 SWE-bench 自进化约需两周、token 很高；Harness Evolution 那篇也证明，进化烧掉的推理算力，可能只是换来了”多试几次”的效果。所以任何 RSI 都要回答：这比进化算力，投在”搜更多候选”和”学到能泛化的结构”上，哪个更值？ 目前证据偏向……前者有时候更值。
第三道：泛化 vs 适应。进化出了真通用能力，还是只过拟合了这套题？
那 0.6 个百分点的隔离测试集结果，是所有 RSI 团队心里的一根刺。你精心设计的进化，可能只是让系统在训练分布里越来越强，一遇到分布外新任务就原形毕露。区分”学会通用原则”和”记住这套题的套路”，是最难测的问题之一。
第四道：链式进化的错误累积。方向一旦错，越进化越糟。
链式进化（A0→A1→A2…）虽简单，但前一轮错误会被下一轮继承。SkillFlow 甚至发现，表现差的配置容易不断新增相似 Skill 把库搞碎，错误 Skill 还被后续任务沿用。这就是典型的错误被合法化写回——AI 把一次错误推理写进记忆，后续所有查询都被污染。
这跟我说知识库时反复提到的”幻觉回写”是一回事：设计上让 AI 把推理写回库很优雅，可如果推理有偏差，这偏差会被”合法化”写入，后续全被污染。
第五道：责任和可逆性。进化出来的东西跑偏了，怎么回滚？
DSH 那句”卸载插件 ≠ 撤销现实”很扎心：删了文件、改了数据库、推了 Git、发了邮件，卸载插件事情不会消失。RSI 同理——一旦”进化出来的坏 Harness”已经对现实产生影响，你没法简单回退。所以 RSI 系统必须把版本记录、Promotion Gate、失败回滚做进地基，否则就是辆没刹车的车。
未来方向，我的感脚
文章不能停在”RSI 有坑”，那没尽到聊未来的义务。基于读到的材料，加上我自己的工程判断，谈几个我认为可能的方向。
一是从”堆更大的模型”转向”更聪明的 Harness + 经验复用”。
JIT-Agent 提出个我认同的概念：Harness 智能（Harness Intelligence）——构建和优化 Agent 运行脚手架的能力，三个属性：适应性（匹配任务和模型）、可靠性（能执行、失败能修）、进化性（从反馈里生成更强 Harness）。
它证明了一件事：Harness 智能独立于基础模型能力之外、且与之正交。模型强弱，都能通过提升 Harness 智能获益；同一套 Harness 智能也能迁到不同模型生效。DeepSeek-V4-Flash 配 JIT Harness 超越 GPT-5.6，就是正交性的实证。
未来 Agent 能力的增长，不再只靠堆模型参数，而是靠”模型 × 更聪明的 Harness”这个组合。 这跟 RSI 天然契合——RSI 的第一步，往往是让系统学会”更好地组织自己怎么干活”，而不是急着改权重。
二是从”改权重”到”改经验”。免训练的 RSI 会成为主流入口。
RSIAgent 选了一条很务实的路子：不碰权重，只动记忆。这在工程上是巨大优势——免训练意味着可回滚、可审计、可单点修正。 改错一段记忆可以删掉那一段；训练坏权重基本只能认栽。对团队来说，“改经验”的可控性远胜”改权重”。
短期内真正能落地的 RSI，会是”记忆/Skill/Harness 代码进化”这条路，而不是”参数进化”。参数进化更接近 AGI 的终极幻想，但记忆/Skill 进化才是今天能上生产环境的。
三是评测本身会成为 RSI 闭环里的一等公民。
15 家机构联合发 HarnessEval，标志行业开始意识到：没有可靠的 Eval，RSI 会失去方向。 未来评测会从”静态尺子”变成”可规划、可验证、可进化的智能体系统”，能对照、能验证、能追溯，甚至能反过来暴露自身能力缺口。
这对测试工程尤其重要——测试人员的角色，正从”写固定用例”转向”设计 Eval 系统”。
四是从 AOT 到 JIT。Harness 从”提前设计”走向”按任务即时生成”。
JIT-Agent 的另一半价值，是把 Harness 从 AOT（先设计好跑所有任务）推向 JIT（看到任务，当场合成专属 Harness）。
不同任务需求原生不同：工件生产要 DAG 流水线，深度研究要递归委托，广度搜索要并行分支。用一套通用 Harness 硬套，处处平庸。JIT 让模型”任务是什么结构，Harness 就长成什么结构”。
未来生产级 Agent 很可能是”稳定的核心骨架 + 按任务动态调整的模块”，在稳定性和灵活性之间取平衡。 这跟 DSH 争议里那个观察一致——好的 Harness 不是把底层操作全摊给模型，而是替模型吸收掉一部分复杂性。
五是最远、也最有意思的：模型可能最终内化 Harness 智能。
JIT-Agent 的长期展望说得很好：长期看，基础模型本身可能内化 Harness 智能，不再需要单独的元模型来生成 Harness。 模型不但学会在给定架构下执行，还学会按任务特点调整自己的运行架构——实现真正的自我组织、自我进化。
如果方向兑现，那 RSI 就走到了 Loop→Harness→RSI 这个追问的终点：连”怎么组织自己”都变成模型能力的一部分。
other
RSI 展示的是另一种可能：让 AI 在每次尝试后都不再是从零开始的”失忆者”，它会把自己走过的弯路、踩过的坑、试对的参数都记下来，写成自己的”操作手册”，下一次任务直接调用。
相比 Harness 脚手架理论，RSI 确实往前走了一步——它把”经验”变成了 AI 真正可继承的资产。
作为工程师，把注意力放在那些”可验证、可回滚、免训练”的 RSI 实现上——记忆复用、Skill 进化、Harness 代码进化——因为这些今天就能落地，且不绑定单一厂商。
至于”参数内化、模型自我组织、通向 AGI 的下一站”——那是真正的远方，值得作为方向押注，但作为承诺还早得很。
想深挖 RSI，建议从这几份材料入手，也是我写这篇的主要来源：
RSIAgent
- [arXiv 论文]https://arxiv.org/abs/2609.15364
- [GitHub 仓库]https://github.com/AetherLabsAI/RSIAgent)
- [项目主页]https://aetherlabsai.github.io/RSIAgent/
- RSI 分类坐标系：Awesome RSI（
github.com/Prism-Shadow/awesome-rsi） - Harness / Harness Evolution 的冷静质疑：《Harness自进化真的有效吗？提升可能只是「多试了几次」》（arXiv 2607.12227）、《DeepSeek Harness 争议背后的真问题》、《开启Benchmark的Harness时代》
- Harness 智能：JIT-Agent（arXiv 2608.25593）
#RSI #自我进化 #Agent-Harness #Agent-Loop #递归自我改进 #AI工程 #开源