谷歌开源RRSI：可自优化AI智能体框架

开源框架：RRSI正式发布

谷歌云AI研究院联合北卡罗来纳大学教堂山分校、斯坦福大学及圣路易斯华盛顿大学，正式开源RRSI（Regularized Recursive Self-Improvement）——一种面向AI智能体的正则化自改进框架。RRSI允许大语言模型智能体在完全冻结模型权重的前提下，自主重写其运行时‘harness’（即完整执行环境），涵盖提示词、工具集成、记忆管理、控制流程及子智能体编排等全部可配置组件。项目以研究框架定位发布，代码采用Apache 2.0许可证，支持Python 3.10+，兼容任意LiteLLM模型字符串；默认配置基于Vertex AI平台上的Claude Opus 4.8模型。

为何需正则化？传统自进化易过拟合

现有智能体harness进化范式通常依赖固定‘演进集’（evolve set）反复评估候选修改，导致三大典型失败模式：基准特异性拟合（仅在演进任务上提升）、噪声追逐（响应随机波动而非真实增益）及复杂度累积（无意义增加组件数量或逻辑深度）。这些现象共同拉大了演进集得分与真实迁移性能之间的鸿沟。RRSI的核心突破在于：不禁止进化本身，而是对进化过程施加结构化约束。

RRSI双阶段正则化机制

RRSI将自改进循环解耦为‘提案侧’与‘选择侧’，分别引入多重正则化策略：

提案侧：

• 退火式编辑预算：采用余弦调度，初期允许多项协同编辑，后期仅允许单次、可归因的变更；
• 证据感知信用机制：每个候选方案须记录其修改组件、假设依据、代码差异、得分变化与开销变化；提案者可读取历史日志，避免重复验证已被证伪的思路；
• 结构化探索：当性能停滞于噪声带内时，编辑预算自动转向此前从未触达的组件模块。

选择侧：

• 防泄漏批评器（Leakage Critic）：在评分前主动剔除含任务名称、实体、答案或基准特有逻辑的候选方案；
• 噪声校准基线：要求性能增益必须显著超越原始harness在相同任务上的方差水平；
• 成本约束规则：新增推理token开销必须由实测性能提升予以补偿；
• 组件剪枝机制：长期未产生有效增益的组件被标记为删除候选。

研究团队指出，上述设计分别对应经典机器学习正则化思想：编辑预算类比L0稀疏性约束，剪枝机制近似Lasso（L1），成本规则则体现Ridge（L2）思想。

实验结果：泛化能力显著跃升

RRSI在8个权威基准上全面验证有效性：

• Terminal-Bench 2.1（演进集）：准确率从74.2%提升至80.2%；
• SWE-bench Verified（全程未参与选择过程）：从82.0%升至83.8%，证实强迁移性；
• 分布外（OOD）任务：JobBench +4.7、GDPval +3.5、APEX-Agents +3.7分；
• 工程类基准：EngDesign +4.9、Frontier-Eng +4.3 Medal分；
• Harvey LAB：演进集+1.1分，独立保留集+2.3分，全部6个保留集均获提升；
• 换用Gemini 3.5 Flash作为策略模型后，Terminal-Bench 2.1达78.7%（+14.1），SWE-bench Verified达79.0%（+2.2）；
• 推理效率同步优化：每轮试验策略token用量从3.80M降至2.42M，降幅达30–36%。