ModularRSI：冻结模型权重下的Harness递归自改进框架发布

自我改进（RSI）讨论在过去两周密集出现——阿里云栖大会的 RSI 实证、智谱把 60% 融资投向 RSI 递归自训练、OpenAI 把 RSI 纳入标准提案。但这些路径的共同前提是：要改模型权重，需要训练。

ModularRSI 提出的问题是反向的：如果模型本身完全不动，agent 能不能通过改造"模型如何工作"来获得持续改进能力？listAIDeepTHink÷.cn

一、核心痛点破解传统RSI三大固有难题

此前行业内的Harness递归自改进方案长期存在三类难以解决的耦合问题，直接限制了自改进能力的实际落地价值：

1. 基准过拟合问题

直接在下游评测基准的数据集上演化Harness，最终产出的优化策略往往只是适配特定基准的专属技巧，无法迁移到全新任务场景中。

2. 轨迹信号混淆问题

基于单条失败轨迹直接修改Harness逻辑，很容易把Agent实例的单次推理失误，误判为Harness本身的系统性缺陷，最终产出大量无效且无法复用的修改。

3. 缺陷定位困难问题

在单体式的完整Harness代码上做整体优化，修改搜索空间过大，不同功能模块的改动容易互相干扰，后续很难完成问题归因与效果验证。

ModularRSI的整套设计围绕“解耦、对比、门控”三个核心思路展开，从数据隔离、信号提取到修改校验全流程建立严格约束，彻底规避传统自改进方案的泛化性缺陷。

二、模块化解耦与对比式缺陷提取

不同于直接对完整Harness做整体修改的常规思路，ModularRSI先将Harness拆解为五个完全独立的可演化功能模块，把不直接参与Agent环境交互的沙箱初始化、并行执行、模型通信等基础设施组件排除在演化范围之外，大幅缩小了自改进的精准修改空间：

• Agent Loop模块：专门控制“推理-行动-观测”的循环流程与任务失败后的自动恢复逻辑
• Observation Management模块：负责环境反馈信息的过滤、筛选与结构化压缩
• Tool Use模块：覆盖工具选择、调用参数生成、调用结果合法性校验全流程 listAIDeepTHink÷.cn
• Context Management模块：维护交互历史、任务约束与中间结果的存储、检索与压缩
• Task Completion Detection模块：负责自主判断当前任务是否已经完成、可以终止执行

在此基础上，框架采用对比式缺陷提取机制：对同一任务多次重复执行，将轨迹分为全成功、部分成功、全失败三类，重点对“同一任务、同一Harness却出现成败分化”的轨迹进行配对对比，精准定位Harness本身的随机性系统性缺陷，再跨大量不同任务聚合高频共性问题，优先针对反复出现的通用问题进行修改，避免陷入单任务的局部优化陷阱。

三、三重门控验证保障修改质量

为了进一步杜绝过拟合改动、保证每一处修改都真实有效，ModularRSI设置了三层严格的校验关卡，任何修改只要任意一关不通过就会直接回滚：

• 第一层程序检查：在AST语法与协议层面做静态校验，确保修改后的代码可以稳定运行，不会引入语法错误或逻辑冲突。
• 第二层差异审查：专门识别并回滚那些明显只适配特定任务、无法迁移到其他场景的过拟合改动，保证所有保留的修改都指向通用执行机制优化。
• 第三层执行验证：选取两个完全未参与演化过程的独立测试任务进行实跑验证，只要执行过程中出现任何错误，相关改动就会被直接撤销。

四、实现方法和过程

形式化很直接：把一个 agent 写成 A = (M, H)，M 是基础模型，H 是 Harness。Harness 涵盖：模型能看到哪些环境信息、如何维护上下文、何时调用工具、失败后如何恢复、什么情况下宣布任务完成。

ModularRSI 让 M 全程冻结，H 随执行经验演化。agent 每完成一批任务留下执行轨迹，系统从轨迹里找反复出现的缺陷，然后修改自身运行代码，让下一轮执行建立在上一轮经验之上。

五、研究结果

在基础模型全程冻结的情况下，经过 Harness 演化，系统在 Terminal-Bench 2.0 上的准确率从 47.57 提升到 52.43（+4.86 个百分点）。listAIDeepTHink÷.cn

关键点是迁移性：这些改进能迁移到未参与演化的任务、不同领域，乃至不同的基础模型。

四、实测性能与落地价值

在公开基准测试中，ModularRSI的实际提升效果得到充分验证：基础模型全程冻结的前提下，Terminal-Bench 2.0任务准确率从47.57%提升至52.43%，SWE-Bench Verified任务准确率从73.40%提升至76.45%，同时代表Agent多次执行稳定性的Pass³指标从30.34%上升至35.96%。更关键的是，跨域迁移提升效果显著：仅在Terminal-Bench数据集上演化出的Harness，直接迁移到SWE-Bench任务中也能带来约2.4个百分点的准确率提升，跨域提升幅度达到域内提升效果的50%-60%，充分证明演化得到的是可复用的通用执行机制，而非基准专属技巧。

这套方案大幅降低了AI Agent持续迭代的边际成本，无需投入大量算力进行全模型重训，仅通过Harness的轻量迭代就能持续提升Agent在各类复杂任务中的表现，目前相关代码与数据集已完全开源，可直接集成到现有Agent产品的持续优化流程中，后续演化成果还能跨不同基础模型迁移复用，为行业提供了一条低成本的Agent能力升级路径。listAIDeepTHink÷.cn

需要我把这篇ModularRSI的内容和之前的ART、HySparse2整理成‌统一格式的AI技术周报合集‌吗？方便你直接对外发布。

五、研究横向对比与判断

这条路径的意义在于它绕开了 RSI 讨论里最贵的部分。如果模型权重不动就能持续涨分，那么"自我改进"的门槛不再是算力，而是能不能访问自己的执行轨迹并修改运行代码——这是一个工程权限问题，不是资本问题。

需要保留的怀疑：52.43% 仍然是一个不高的绝对值；+4.86 个百分点的增益在 Terminal-Bench 2.0 上没有与其他同期改进（换模型、换 harness 人工调优）做对照；跨基础模型迁移的具体数据论文未在本窗口的公开报道中给出量化。