远见网一、Harness层的RSI
谷歌RSI新成果，开源了。
名叫
Harness²
，让大模型在运行中自己给自己魔改外挂代码、系统提示词、工具链和技能库。
是的，Harness层的RSI。
效果也是很猛。
瞬间反超原生Gemini 3.5 Flash。
整个过程无需修改模型权重，只需优化其外围的运行脚手架。
非常离谱的外挂，任何模型套上来，跑分都直接起飞了。
目前，该项目已全面开源，已支持OpenCode与Codex。
1、为什么「自己改自己」老翻车
过去业内为了让Agent变聪明，搞过不少递归自我改进（Recursive Self-Improvement，简称RSI）。
思路听起来很美：让AI自己写代码、自己改提示词、自己优化系统。但只要一放进真实的开放世界，几乎全军覆没。
为啥呢？
主要就卡在两道死穴上：
没有标准答案。
实验室里刷题有单元测试，有Ground Truth告诉你对不对。但到了真实打工场景，写一份商业企划案、审一份法律合同，线上根本没人给你打分。
AI自己改了一版Prompt，它怎么知道改完是变聪明了还是在瞎编？
过度拟合单次任务。
二、右手记笔记任务级递归
好不容易为了修某个任务把脚手架魔改了一通，结果下一个任务换成了写爬虫，之前改的规则全成了累赘。
直接把改完的脚手架硬套给下一个任务，系统很快就陷入噪声螺旋，越改越傻。
1、他们搭了一套：双层递归架构
。
2、双层递归：：左手做实验，右手记笔记
3、任务级递归：（Task-level）和
4、改进级递归：第一层，
5、紧接着，它启动了一套叫做
Propose–Probe–Compose（提议-探测-合成）
的机制：
Propose（提议）
：
一套是「通用缺陷修补」（Invariant），专门抓跨领域通用的毛病，比如规划混乱、工具调用死循环、上下文爆炸；
Probe（探测）
：
：
第二层，
反思模块复盘之后，会写一份EXPERIENCE.md，把这次为什么这么改、在什么条件下起效、带来了什么后果，清清楚楚存进
三、Compose（合成）
持续改进经验库
等到下一个新任务进来时：
跑分实测
WorkBuddy-Bench
JobBench
：长程端到端复杂专业岗位任务；
1、LAB：底座模型选了
Gemini 3.5 Flash
2、和：GLM-5
，执行脚手架挑了开源主流的
OpenCode
3、和：Codex
。
结果极其夸张。
你看这个数据：
。
4、5分：，GLM-5涨了
5、6分：；在法律基准
四、Gemini 3.5 Flash
1、LAB：11.8个百分点
。
- 9分
，JobBench再涨
- 2分
，
2、LAB：通过率再涨
- 7个百分点
。
更绝的是经验库的跨领域迁移测试。
它需要的是一套能在运行中自我感知、自我修补、持续进化的
Runtime认知工程
。
论文作者
最后，照例来说说论文作者。
Ruiyao Xu
，论文一作兼通讯作者。
Yanfei Chen
Zhongying CuiZhu
