智能体不改模型权重也能自我进化:Harness-RSI把提示、记忆与代码的修订留到下一次运行
核心概要
Harness-RSI 把智能体的自我进化放在模型权重之外:提示、记忆、工作流和可执行组件都可以被修订,被接受的修订会持久化并在后续运行中加载,而任务模型保持不变。它把更新目标与提案、准入机制分开,并用演化优化刻画搜索、用持续 PAC 学习刻画可靠性,在明确假设下给出期望泛化界、依赖历史回归预算的保留界,以及使用新鲜独立验证数据的高概率准入规则。在 SpreadsheetBench 上,GPT-5.4-nano 搭配 HarnessOpt 与技能达到 77.58%,高于 GPT-5.5 搭配 SkillOpt 的 76.20%。
深度剖析
智能体的改进可以发生在模型之外:提示、记忆、工作流和可执行组件构成的外壳被修订,而模型权重保持固定,被接受的修订会跨运行保留。 此前的自我改进路线要么改动模型权重,要么只做没有更新机制的脚手架;Harness-RSI 把外壳本身当作可修订对象,并要求反馈驱动、更新连续、跨运行持久三项条件同时成立。 在 SpreadsheetBench 上,GPT-5.4-nano 搭配 HarnessOpt 与技能达到 77.58%,超过 GPT-5.5 搭配 SkillOpt 的 76.20%;在四个模型上,HarnessOpt 加技能比 SkillOpt-Lite 高 5.69 到 11.39 个百分点。
这套框架把“改什么”和“怎么提出、怎么准入”拆成两件事,使修订可以被分类、检查和回退。 已有方法在修改对象、候选生成和修订准入上各不相同,仅靠经验筛选无法说明泛化或保留。 更新目标被分为解释型状态与可执行修订,后者再分为组件实现、仓库级控制逻辑和插件组合;分析在明确假设下给出期望泛化界、条件于历史回归预算的保留界,以及使用新鲜独立验证数据的高概率准入规则。
插件式组织让智能体在运行中生成、验证并挂载新工具,并把它们留给后续任务。 固定工具集只能使用预先注册的能力,而插件架构把可编辑对象扩展到决定运行时服务的绑定本身。 在模拟办公负载中,Codex 生成批量查询与汇总工具后,首个任务的工具调用从 13 次降到 3 次,但墙钟时间上升 54.9%、token 上升 15.7%;另一条累计序列显示从第二个任务起开始节省,五个任务后累计节省 110,351 个 token 和 22.97 秒。
启示与展望
讨论范围限于模型权重固定时的外壳自我进化,覆盖提示、记忆、工作流、组件实现、仓库级控制逻辑与插件组合;权重单独适应和没有更新机制的脚手架不在其中。SpreadsheetBench 的对照与模拟办公负载的工具生成案例是文中给出的具体设置,可靠部署要求随任务分布和评估器变化持续验证,并对学习、运行时权限和高后果动作设置独立防护。
理论结果以明确假设为前提,泛化界、保留界与准入规则都不是无条件结论;插件案例中首个任务的成本上升与累计序列的节省并存,且两套记录在首个任务的 token 与时间上存在未解决的差异,因此不能把它们当作同一条成本轨迹。
