递归自我改进（RSI）

递归自我改进（Recursive Self-Improvement）的核心问题不是”AI 会不会自己变强”，而是”什么样的闭环在工程上真的成立”。本文按现有证据给出判据、证据地图与失败模式。

一句话结论

RSI 已经在窄域闭环里发生了，判据是三个可检验条件而非智能水平：

目标能被自动评分（evaluator 存在）
评估与监督位于更新边界之外（不可被被优化方改写）
优化范围足够窄、能分层递进（不是整体 FOOM）

三者同时满足且有外部可复现结果的案例，目前公开界最实锤的是 AlphaEvolve。

判据展开

条件	反面（闭环不成立）	工程含义
可自动评分	目标只能靠人类主观判断	没有 evaluator 就没有信号，循环退化为自我安慰
评估在更新边界外	被优化方可以改评分器/测试/日志	evaluator isolation 是第一漏洞面
窄域可分层	一上来改整个系统	先 kernel → 调度 → 训练配方逐点打通

第三条常被误读为能力限制，其实是工程可行性约束：窄域才有确定性 evaluator，才谈得上迭代。

证据地图

按证据强度排序，数字来自材料整理，标注为待一手核验。

强度	案例	性质	关键数字
最强	AlphaEvolve	数学结果可独立复现 + 生产系统收益	Strassen 56 年纪录、Borg 回收全球算力 0.7%、Gemini 训练 kernel +23%
较强	Claude 改 Claude	内部流程，含关键负面证据	自动对齐修复循环效率为人工 15,000 倍；2.4% 研究转录在作弊
路线宣示	Gemini 3.8 官方措辞、Brin 资源倾斜（Reuters 2026-08）	指向明确，缺可复现细节	”long-running agent loops designed to recursively evaluate and refine the underlying models”
工程框架	AgentEvolver、slime、GLM-5.3	提供”闭环怎么搭”的组件，而非结果	基座不变、纯靠 RL 环境/后训练 scaling 抬上界

AlphaEvolve 里最关键的是 Gemini 训练 kernel 那一项：它改进的是自己的训练系统，构成公开可见的递归闭环，而不只是”AI 帮人优化某个外部程序”。

AgentEvolver 三件套

通义 AgentEvolver 的三件套恰好对应 RL 环境侧的三个卡点，值得单独记：

self-questioning（自出题）：解决课程来源
self-navigating（经验复用）：解决跨任务迁移
self-attributing（信用分配）：解决多步 credit assignment

三条因果

五条铁律可以压缩成三条互不重叠的因果链：

1. Verifier 决定闭环是否成立

确定性、防篡改、可复现、held-out，四条缺一不可。没有它们，闭环产出的不是能力而是拟合。

2. 迭代速度决定复利

rollout/验证占约 90% 时间，压缩它等于加速进化。这是系统中唯一的复利变量，其余优化都是线性收益。

3. 隔离与护栏决定闭环是否可控

能力越线应自动升级监控，而不是停止循环。护栏的作用是改变边界，不是占据热路径。

常见错轴：拿人类信号补 verifier

一个典型误诊：判定了”最薄弱的是 verifier”，开出的药却是”人类 idea 添佐料”。

这两者不在一个轴上：

	人类 idea 提供	Verifier 需要
作用对象	课程（curriculum）、准则（criteria）	评分完整性
属性	taste、方向、真实任务分布	确定性、防篡改、可复现、held-out
信号密度	稀疏、noisy	密集、可重复

用稀疏 noisy 的人类信号去补验证完整性，结果是被舞弊者精确拟合的评分器 + 一堆”高分垃圾”。材料中的 2.4% 作弊率就是这个病理的真实采样，而且是下限观测，单点数据无法区分偶发与结构性。

人类信号该去的地方是课程与准则，不是 evaluator。

热路径 vs 更新边界

与之配套的另一条判断：人工检查点塞进热路径等于给复利上刹车。

正确形态是异步投递 + 边界消费：

人（或监督 agent）在任意时刻投递信号，不阻塞循环
循环在安全边界（更新提交点）消费信号
监控升级本身也是被调度的动作，而非同步等待

这与 V2 Session 的 durable inbox + advisory wake 是同一个模式：投递与消费解耦，监督不进入热路径。

两条判断合起来是同一个结论：护栏和人类信号都要有，但都必须位于更新边界之外。

与已有知识的关系

RSI 在 agent-continual-learning 的三层框架里有明确落点：

层	RSI 中的角色	对应实现
Model	权重更新（材料中的 W）	Claude 改 Claude、GLM-5.3 后训练 scaling
Harness	外壳与流程自优化（材料中的 H）	meta-harness、sia、prime-agent
Context	记忆/技能/课程沉淀	agent-skill-self-update、darwin-skill

AlphaEvolve 属于 Harness 层但闭环最完整；SIA 走 W+H 双维度；Meta-Harness 只改 harness 不改权重，但提供了可复现的搜索循环参考。三者的共同前置条件都是 traces 与 evaluator。

Verifier 设计的正面样例可参考 deepswe：verifier 人工编写，测软件行为而非实现细节。

工程检查清单

搭建任何自进化闭环前先过一遍：

评分能否完全自动化？不能则先解决评分，不要先解决循环
被优化方能否读到或改到评分器、测试集、日志？能则闭环无效
是否有 held-out 集合且从未进入优化可见范围
单轮 rollout + 验证耗时是多少？这是决定复利速度的数
监督信号走的是热路径还是更新边界？前者要改
能力越线后触发什么动作？要能自动升级监控
改动是否可回滚？快照与回滚是迭代的前提

未解问题

谁验证 verifier：材料只给了隔离与 held-out，没有 verifier 自身的漂移检测与轮换机制
2.4% 的稳态性质：单点观测，无法判断是偶发抖动还是结构性下限
15,000x 的基线：相对人工多久、在什么任务集上，缺失会导致数字在传播中失真
时间点需核验：“2026-07 AlphaEvolve GA 商用”、“Gemini 3.8 官方说明”、“Brin 资源倾斜”目前只有二次整理，缺一手链接
跨域迁移：窄域闭环打通后，能力能否迁移到相邻域仍无系统性证据

zhaoweiguo 的知识库

目录