附录：RRSI 完整解读（Google Research，Regularized Recursive Self-Improvement of Agent Harnesses）

总结：底层大模型冻结，只自动进化 Agent 的外围运行框架（Harness）；核心创新是给 Harness 进化加上双重正则，解决传统 Harness 自演化严重过拟合、分布外（OOD）收益消失的痛点arXiv论文：arXiv:2609.24972；项目页：regularized-rsi.com；开源仓库 Apache2.0

一、基础概念：什么是 HarnessHarness 

 Harness 包裹在冻结 LLM 之外的整套智能体系统：提示词、控制流、工具调用、上下文管理、记忆、子智能体、配置。模型权重不动，所有改动都在 Harness 层。传统 Harness 演化（RSI）：在固定演化集（evolve set）上反复修改、刷分，很容易记住这一批任务的 “套路”，在演化集上分很高，换到新基准（OOD）收益直接归零甚至下跌，这就是它要解决的核心问题智源社区。RRSI 的设计哲学：不限制可以改什么（编辑空间完全开放），而是正则化搜索轨迹、约束 “怎么改、改完凭什么留下来”

二、两大正则模块：Proposal 提案端 + Selection 筛选端1）Proposal（proposer，提案生成）—— 约束搜索过程退火编辑预算  ：限制单个候选版本一次能打包多少独立修改，随轮次退火，后期每次改动尽量稀疏、方便归因；避免一次性堆一大堆改动，分不清哪个改动有效全编辑历史感知：记录所有失败假设，不会重复生成已经被证伪的修改方案停滞检测 + 探索引导：如果搜索卡住，强制引导去修改从来没被尝试过的组件（新工具、新记忆、子智能体等），鼓励新颖结构2）Selection（selector，筛选评审）—— 准入门槛，不是涨分就录取这是 RRSI 最关键的多重门禁：Critic 前置筛查：评估之前先过滤，直接干掉专门针对基准作弊、benchmark 专属的硬编码（泄露、任务特化 trick）噪声调整下限（noise floor）：预先标定评测本身的随机噪声带 ；分数提升落在噪声区间内的改动直接拒收，不把随机波动当成有效改进成本约束规则：新增的推理 token 开销，必须用可测量的分数增益来买单，抑制无节制膨胀上下文、增加工具组件剪枝 Prune：长期不再贡献收益的组件自动移除，保持 Harness 精简领域专属守卫（guards）：领域硬约束，比如工程任务不能通过率暴跌、不能只提交空结果

整个闭环：每一轮生成 2 个候选 harness → 独立 git worktree 分支隔离 → critic 筛查 → 并行评估 → 按规则选出胜者，分支快进；历史全部可审计，每一条修改记录：组件、假设、分数变化、代价、裁决结果都留存智源社区

三、架构与代码映射（README 里的 Method to Code）Harness 

表格模块代码文件作用分数 & 代价聚合rrsi/evaluate.py加权奖励、并行评估退火预算rrsi/schedule.py  编辑预算编辑历史、停滞标记、探索rrsi/history.py历史记录、stall_flag、待尝试组件失败轨迹分析rrsi/analyst.py + digester.py从任务轨迹提炼失败假设提案生成、打标签（组件 / 假设 /diff）rrsi/propose.py生成改动 diff组件校验、新颖度计算rrsi/components.py区分工具 / 记忆 / 子智能体等类型Critic 泄漏筛查rrsi/critic.py正则 + LLM 复审，拦截基准特化修改选择逻辑、噪声带、成本规则rrsi/selection.py最终是否接受新版本噪声带标定rrsi/calibrate.py自评估标定  工程设计亮点：Git Worktree 版本管理每一个候选 harness 都在独立 git 分支 evolve/ 上；选中一个版本就向前推进分支，当前最优版本永远对应一个 commit，全链路可追溯、可回滚，审计友好。

四、三个开箱即用的 Domain 实例（同一套 RRSI 循环，只换适配器）

Coding 终端智能体：Terminal-Bench 2.1（evolve），OOD：SWE-bench Verified

基线 H0：74.2 → RRSI：80.2（+6.0）；SWE-bench 82.0→83.8（+1.8）

Workspace 文档工作智能体 Harvey LAB：Harvey LAB（evolve），OOD：JobBench、GDPval、APEX-Agents

OOD 多个基准稳定正向提升，是 RRSI 最亮眼的一组结果

Engineering 工程设计智能体 EngDesign：EngDesign（evolve），OOD：Frontier-Eng

50.0→54.9（+4.9）；Frontier-Eng 17.7→22.0（+4.3）

补充：不限于 Claude Opus 4.8；换成 Gemini 3.5 Flash 作为冻结 policy，同样的 RRSI 循环依然有效，证明框架和底层模型解耦。附带收益：最终产出的 Harness 相比无正则演化版本，policy token 消耗减少 30%，更省算力

五、如何新增一个 Domain

只需要实现 domains//adapter.py，导出 Domain 对象，实现：任务划分：evolve /heldout/smoke 任务 IDrun ()、score ()：跑 harness、返回单任务奖励轨迹加载、渲染、smoke 冒烟校验critic 黑名单、组件信号、prompt、领域守卫规则配置：harness 目录、rrsi.json 超参、SKILL.md、PATTERNS.mdRRSI 核心完全不感知领域、benchmark 格式，领域能力全部隔离在 adapter 层。

六、Quickstart 流程要点

安装：Python ≥3.10，pip install -e ".[dev]"；不同 domain 有独立 venv（coding 用 harbor、workspace/eng 用 agentic 环境）LLM 后端：默认 Vertex AI Claude Opus 4.8（proposer/analyst/critic/policy），Harvey 评判用 Gemini 3.5 Flash；支持任意 LiteLLM 模型串运行命令：

bash

冒烟测试python3 rrsi.py --domain  smoke

评估初始H0，生成基线

python3 rrsi.py --domain  baseline

启动迭代演化（可中断，touch STOP停止）

python3 rrsi.py --domain  run

重判/重评估历史轮次

python3 rrsi.py --domain  readjudicate --t

输出产物：runs// 下存放 frontier、edit history、原始 trajectory；超参在 domains//rrsi.json

七、局限与边界（非常重要）

只演化 Harness，不训练底层大模型权重，不是全栈自改进；是系统层面的 RSI，不是模型自训练正则是权衡：会压低演化集上的上限收益，换取 OOD 泛化能力；无正则版本经常在 evolve 集刷更高分，但 OOD 直接崩依赖评测反馈、有评测噪声假设；需要足够的评估预算，每一轮都要跑完整 evolve 集不是通用自主自我改进，是受控、可审计、有成本约束的 Harness 搜索框架

八、核心对比：

传统 Harness 进化 vs RRSI

传统：放开搜索 → 疯狂拟合 evolve 集、记住 benchmark trick → ID 涨分巨大、OOD 崩盘、token 越跑越多

RRSI：开放编辑空间 + 双向正则（提案端控预算、探索；筛选端卡噪声、成本、作弊、剪枝）→ 优先沉淀通用可复用机制，OOD 稳定正向提升、更省 token。