递归自我改进（Recursive Self-Improvement）：当 AI 开始改进自己，智能爆炸还有多远？

“让一台超智能机器去设计更好的机器，毫无疑问会随之而来一场’智能爆炸’。”

—— I. J. Good，1965；但这是一条基于条件的推论，不是一条已被证明的增长定律。

引言：从解决问题，到改进解决问题的方法

在上一篇关于《Graph Engineering》的文章中，我们讨论了一个问题：能否用外层循环，不断优化 Agent 系统的组织结构？ [3] 如果把这个问题再往前推一步，就会遇到 Recursive Self-Improvement（RSI，递归自我改进）：当 AI 不只是完成任务，也参与改进自己完成任务的方法时，会发生什么？

这个问题既有令人兴奋的一面，也很容易被夸大。今天的 Agent 已经可以根据反馈修改提示词、工具、工作流，甚至自己的代码；但这并不意味着 AI 已经具备不受限制、自我加速的通用进化能力。

本文的核心判断是：RSI 的局部进展是真实的，但从"系统变得更好"到"系统越来越擅长改进自己"，中间仍有很长的距离。

一、什么是 RSI？三个必须分开的层次

假设我们有一个 Coding Agent。它收到任务后写代码、运行测试、读取错误日志，再修改代码直到测试通过。这是一个有反馈的任务执行循环，但它未必构成自我改进：如果下一次运行仍然从同样的配置开始，系统只是解决了眼前的问题。

现在假设，Agent 发现自己经常在大文件中定位错误失败，于是提出一个改动：增加基于语法树的代码检索工具。经过独立测试后，这个工具被保留下来，并在之后的任务中使用。此时，系统发生了跨任务的持久改进。

再进一步，如果新版本不仅更会完成任务，还能更有效地发现、提出和验证下一轮系统改进，我们就开始接近 RSI 最有意思的部分：改进"改进自身"的能力。

可以把这几个层次放在一起理解：

这一划分是为了理解问题而采用的工作定义，并不是所有论文都遵守的统一标准。有些研究会把有界的代码自修改称为 RSI；另一些讨论则用 RSI 指向更完整的模型设计、训练和后继部署。阅读论文时，比争论标签更重要的是追问：究竟改了什么？改动由谁提出和选择？它是否持续进入下一轮？ [6]

系统性能提高，不自动等于改进机制变强；存在递归循环，也不自动等于增长会越来越快。

1.1 为什么 RSI 现在受到关注？

RSI 的思想很早就存在。I. J. Good 曾讨论过一种可能性：如果足够强的机器能够设计更强的机器，那么机器设计本身可能进入加速循环。这是后来"智能爆炸"讨论的重要思想来源，但它是基于条件的推论，不是一条已经得到证明的增长定律 [4]。

今天这个问题重新受到关注，有更实际的工程原因。大语言模型可以阅读和修改代码；Agent 可以调用工具并执行实验；软件测试、编译器、模拟器和数学检验器，又能为一部分任务提供自动反馈。

当这几件事结合在一起，原本由工程师主导的"提出方案—实现—测试—调整"过程，开始有一部分能够交给 AI 执行。但提出一个候选方案，比可靠地判断它是否真正更好容易得多；这也正是 RSI 的核心难点。

二、Gödel Machine 与 Self-Evolving Agents：理论和实践之间

2.1 Gödel Machine：先证明，再修改

2003 年，Jürgen Schmidhuber 提出了 Gödel Machine。它是一个可以分析和修改自身程序的理论模型，其中包括执行任务的程序和负责搜索证明的程序 [5]。

它的关键思想是：只有当系统能够在给定公理、效用函数和环境假设下证明某次自我修改值得执行时，才切换到新版本。 被修改的部分甚至可以包括证明搜索机制本身。

这里的"最优"有严格条件。它并不是说系统能找到现实世界中所有可能程序的绝对最优解，而是说：在给定形式化假设下，已证明的切换优于继续运行原证明搜索器、等待其他改写的方案。如果效用函数没有覆盖真实风险，或者有效改动无法在可用资源内被证明，这个理论保证就不能直接解决现实问题 [5]。

Gödel Machine 因而更适合被视为理论上的自修改模型，而不是一套可以直接用于构建今天的 LLM Agent 的成熟框架。

2.2 Self-Evolving Agents：把证明门槛换成经验反馈

今天更活跃的研究方向是 Self-Evolving Agents，即能够根据经验持续改变自身行为或组成部分的 Agent。它们通常不要求对每次改写进行形式证明，而是使用测试、奖励、执行反馈或人工评价来决定是否保留变化 [6]。

这些系统可能进化的对象并不相同：

• Prompt 与 Memory：更新指令、总结失败经验、保存可复用知识。
• Tools 与 Skills：创建或改进工具，将成功的操作保存为技能。
• Workflow 与 Graph：调整任务分解、角色分工、路由和验证方式。
• Agent Code 与 Harness：修改工具调用、上下文管理或控制逻辑。
• Model 与 Training：通过数据生成、微调或强化学习改变模型参数。

例如，Voyager 在 Minecraft 中不断探索，将成功的可执行程序保存到技能库，之后再检索和组合这些技能。它展示了在不更新基础模型权重的情况下积累能力的可能性，但它并没有因此证明自己的通用学习算法会持续自我改进 [7]。

因此，自进化 Agent 与 RSI 有交集，但不能画等号。一个系统可以长期积累记忆，却没有修改自己的改进机制；也可以通过修改 Agent 代码形成有限的递归过程，却仍然依赖固定的基础模型和外部评价器。

三、从 Gödel Machine 到现代 Agent：几项代表性工作

3.1 Darwin Gödel Machine：让 Agent 修改自己的代码

Darwin Gödel Machine（DGM）是理解现代 Agent 自修改的重要案例。它继承了 Gödel Machine 中"系统可以修改自身"的思想，但不再要求对每次修改给出形式证明，而是使用编程任务上的经验评估 [8]。

其基本过程是：

选择一个已有 Agent
      ↓
分析执行日志与失败模式
      ↓
修改 Agent 的提示、工具或代码
      ↓
在编程任务上运行与评估
      ↓
将候选版本和结果放入 Archive
      ↓
从不同版本继续探索下一代

这里的 Archive 不只是保存一个"冠军"。不同版本可以形成不同的改进路径；暂时分数不高的版本，也可能成为后续改进的起点。DGM 的实验表明，在特定设置下，代码自修改和保留多条探索路径都有实际价值 [8]。

但经常被引用的"SWE-bench 从 20% 到 50%“需要小心理解：初始版本的 20% 来自 60 题记录，论文报告的最优版本 50% 来自逐步筛选后的 200 题子集，两者不能直接当成同一题集上的精确提升；更不能误写成完整 500 题的成绩 [8]。

Polyglot 的完整 225 题重测中，论文报告初始版本为 14.2%，最佳版本为 30.7%。这是更有说服力的局部成果，但最优版本仍经过搜索和选择。DGM 改进的是 Agent 的代码与运行方式，基础模型和外层搜索控制器仍然受到既定设置的约束 [8]。

DGM 说明 Agent 可以参与改进 Agent；它没有证明模型会因此无限变强，也不具有 Gödel Machine 的形式证明保证。

3.2 HyperAgents：让"改进者"也成为可修改对象

Meta 等研究者提出的 HyperAgents 将 Task Agent 和 Meta Agent 放在同一个可编辑的程序中：前者负责解决问题，后者负责读取代码和历史结果，并提出下一代的修改。这样，系统不仅可以修改解题流程，也可以修改提出改进的部分逻辑 [24]。

论文中的 DGM-HyperAgents 仍然使用外层 Archive 来保存多个版本。在主要实验中，基础模型权重、任务分布、评价协议和 Archive 的选择机制依然固定。研究者在编程、论文接收预测和机器人奖励设计等任务上观察到了有希望的结果，但部分与较强人工设计基线的差异没有达到统计显著 [24]。

因此，HyperAgents 更接近"改进机制也在可搜索范围内"的研究目标，却不是全系统无约束自治进化的证明。它与 DGM 的区别也不应被夸大为一个可以自修改、另一个完全不可以：更准确地说，HyperAgents 明确把 Task Agent 和 Meta Agent 一起纳入了可编辑程序。

3.3 AIDE²：改进后的 Agent，更擅长改进了吗？

如果说 DGM 把自修改做成了可运行实验，那么 AIDE² 把评估问题往前推进了一步。它用外层研发 Agent 改写内层 AI 研发 Agent，再按固定任务预算评估候选版本 [9]。

研究者报告，在一条为期 8 天的实验轨迹中，系统提出 99 个改写候选，接受了其中 7 次；用于选择的综合分数从 0.703 提高到 0.778。这里的轨迹有 100 个节点，指的是初始版本加 99 个候选，不是 100 台计算机。作者还在未参与版本选择的任务上检验了部分改进是否迁移 [9]。

这项工作最值得关注的，是它专门提出了一个”点火测试"（ignition test）：把进化得到的 Agent 放到外层，看看它是否比原来的改进者更擅长推动下一轮自我改进。

结果并没有证明这一点。论文中两组各有三次运行，平均最终成绩相近；作者明确指出，样本量和结果波动使比较尚无定论。这个结果很重要，因为它提醒我们：即使后继系统在任务上更强，也必须单独测试它是否更擅长改进系统。 [9]

3.4 AlphaEvolve：进化的是算法，不一定是自己

Google DeepMind 的 AlphaEvolve 把大语言模型生成代码的能力与进化搜索结合起来：模型提出程序变体，自动评价器执行并打分，表现较好的候选被保留并用于生成后续版本 [10]。

它展示了算法发现的实际潜力。例如，研究者报告了一种计算两个 4×4 复数矩阵乘积的算法，只需 48 次复数标量乘法。这是特定代数问题上的结果，不能直接理解成所有矩阵乘法都在实际硬件上更快 [10]。

AlphaEvolve 也被用于优化数据中心调度和训练相关计算。它说明 AI 可以改进未来 AI 研发所依赖的基础设施；但其主要进化对象是被指定的算法或程序。优化一个算法，不等于已经证明它能持续修改自己的改进机制。

3.5 AFlow：用搜索优化 Agent Graph

AFlow 研究的是另一个层面：如何自动生成和优化 Agent Workflow。它把工作流表示为由节点和边连接的代码，再通过蒙特卡洛树搜索（MCTS）与执行反馈探索不同方案 [11]。

这正好连接了上一篇 Graph Engineering 的问题：Graph 不一定永远由人手工设计。 系统可以尝试不同的步骤、调用顺序和协作结构，再根据评估结果筛选方案。

不过，自动搜索 Graph 不必然是强意义上的 RSI。如果负责提出和选择 Graph 的外部搜索过程始终不变，那么它证明的是工作流优化，而不是"优化器自己越来越擅长优化"。

四、RSI 与 Harness、Loop、Graph Engineering 的关系

在前面的三篇文章中，我们分别讨论了《Harness Engineering》[1]、《Loop Engineering》[2] 和《Graph Engineering》[3]。一个常见误解是把它们理解为一条互相替代的升级路线：Harness → Loop → Graph → RSI。

更准确的理解是：前三者描述系统设计的不同维度，RSI 描述系统如何跨版本地改变这些维度。 它们之间有重叠，不存在所有文章都共同遵守的唯一分层标准。

4.1 Harness：Agent 靠什么运行？

Harness 是围绕模型构建的运行支撑，包括工具接口、上下文、记忆、权限、沙箱、日志、验证和恢复机制。它决定 Agent 可以访问什么，以及哪些行为会被允许或阻止 [1]。

当 Agent 根据历史失败修改工具、提示或上下文管理，并让通过验证的改动用于后续运行时，Harness 就从运行基础设施变成了进化对象。DGM 的很多修改正发生在这一层。

需要区分的是，OpenAI 的 Codex Harness Engineering 案例主要展示工程团队如何设计 Agent 可读的仓库、反馈和约束，让 Agent 更可靠地构建产品。Agent 参与完善工作环境，并不自动等于该案例已经证明完整的自主 RSI [21]。

4.2 Loop：工作如何根据反馈推进？

Loop Engineering 关注的是目标、行动、观察、验证、重试和停止条件 [2]。一段 Loop 可以发生在单次任务中，也可以发生在跨任务的系统优化过程中。

LangChain 描述的第四层 Hill-climbing Loop，会分析多次运行产生的轨迹，并据此调整 Prompt 或工具配置 [22]。这与 RSI 的联系比"测试失败后重试"更近：外层循环的输出，是下一轮运行所使用的系统。

但是否构成更强的递归，还要看是谁生成改动、改动是否持久，以及下一代系统是否参与了后续改进。固定脚本每周重写一次 Prompt，可能是有价值的自动优化，却不能仅凭"循环运行"就证明改进能力在自我增强。

4.3 Graph：多个工作单元如何协作？

Graph Engineering 关注节点、边、共享状态和路由 [3]。节点可以是 Agent，也可以是确定性的代码、测试器或人工审批；它不一定需要每个节点都是一个 Agent，也不要求整个图都由模型控制。

例如，版本改进可以组织成：

历史轨迹 ─→ 诊断节点 ─→ 改动提案 ─→ 隔离执行
                                      ↓
                          独立评估 ← 候选版本
                              ↓
                    通过 → 人工/策略门控 → 部署
                    拒绝 → 保存原因 → 继续搜索

这里 Graph 决定谁负责诊断、谁可以调用工具、谁验证结果，以及失败后如何返回。Loop 决定这个过程什么时候重复、预算是多少、什么时候停止。Harness 则提供执行环境与约束。

需要澄清的是，这里讨论的 Graph 是工作流和控制流图：节点表示执行单元，边表示数据传递或控制转移。它与知识图谱不同；后者的节点和边主要表示实体及其语义关系，可以为 Agent 提供知识，但不必然决定下一步调用哪个节点。

如果系统进一步根据运行反馈修改节点职责、路由规则或验证位置，Graph 本身就成了进化对象。这是从静态 Graph Engineering 走向 Adaptive Graph Engineering 的一种方式。但即使 Graph 会变化，仍需要证明变化是持久且有效的；运行时根据条件选择不同路径，不等于跨版本地改进了 Graph。

4.4 一张统一的心智地图

Model       提供基础推理和生成能力
Harness     提供工具、环境、权限和可观测性
Loop        组织行动、反馈、验证与停止
Graph       组织节点、状态、路由与协作
RSI         让系统参与改进上述组成，并使有效变化进入后续版本

这个图不是严格的包含关系。现实中的 Harness 往往已经包含 Loop 和 Graph 的实现；同一个系统也可能由多个 Harness 和多个相互连接的 Loop 构成。这里的价值在于区分分析视角，而不是重新发明彼此隔离的技术层。

Harness 解决"能做什么"，Loop 解决"如何迭代"，Graph 解决"如何协作"；RSI 进一步追问：系统能否让这些机制随经验变得更好？

五、有哪些值得关注的框架与研究路线？

讨论框架时，首先要区分"能搭建 Agent“和”内置自我改进"。LangGraph、OpenHands 等可以用于构建 Agent 或 Coding Agent，但使用这些框架本身，并不意味着系统会自主进化 [16] [17]。

几点补充说明：

Agent 自修改：SICA 允许 Agent 修改自己的代码，并在固定任务集上进行多轮评估；其论文显示过明显提升，同时也存在题集反复使用和改进不单调的问题 [23]。

算法与工作流搜索：OpenEvolve 是独立的开源程序演化项目，受 AlphaEvolve 启发，并非 Google 官方发布的 AlphaEvolve 源码 [15]。

Harness 的跨任务演化：GEAR 是 2026 年公开的早期开源研究项目。它让任务 Agent 收集轨迹，再由 Meta Agent 基于跨任务反馈提出和评测 Harness 修改。项目方报告了特定配置下的结果，但它仍是预印本和快速迭代中的研究软件；已公开结果不能直接证明独立任务上的通用收益 [25]。

科学工作流：The AI Scientist-v2 是自动科研的代表案例，但能生成一篇研究论文，不等于系统已经可靠地发现可重复的科学规律，也不等于它会自动改进自己的科研能力 [18]。针对早期版本的独立评估也观察到实验执行等方面的困难，但不能将其直接作为对 v2 的评测 [19]。

这些工作关注的是不同的进化对象和反馈条件。它们可以组合使用，但不应被当成一组已经实现完整 RSI 的同类产品。

六、剥离炒作：如何判断系统是否真的在进化？

看到一个系统的 Benchmark 得分提高，我们至少要追问五个问题。

6.1 改进发生在哪里？

Prompt 更好、记忆更多、工具更强、Graph 更合理，或者基础模型权重发生变化，都是不同类型的进步。它们可能提升最终结果，但不能统称为"模型自身变聪明了"。

同样，冻结模型并不意味着系统无法获得有价值的持续改进；但将工具和 Harness 改进视为与训练出更强的基础模型完全等价，也会掩盖技术上的差异。

6.2 有没有控制预算与基线？

一个进化系统尝试了 1,000 个候选，另一个基线只运行一次，前者最终分数更高并不奇怪。应同时报告模型版本、候选数量、运行时间、Token、美元、算力和人工参与，并与同预算的重试、随机搜索或人工设计版本比较。

DGM 的 SWE-bench 实验约需两周、约 22,000 美元 API 成本。这不是否定它的价值，而是提醒我们：提高任务分数与提高单位成本下的改进效率，是两个不同的问题。 [8]

6.3 有没有真正留出的任务？

如果系统反复在同一批题目上提出修改、查看结果并选择最优版本，那么这些题目已经成为搜索过程的一部分。即使它们一开始被称为"测试集"，最终结果也可能反映对这批题目的适应，而不是对新任务的泛化。

更可靠的做法是分开开发集、版本选择集和最终保留集，再用不同项目、不同任务类型或更新鲜的数据评估迁移。保留集如果被反复查询，也需要更新或重新设计。

6.4 改进是否稳定，旧能力是否保留？

一次最佳结果，不等于每一代都更好。系统可能在修复速度上进步，却在复杂任务、成本或安全性上退化。应该观察多次运行、逐代曲线、旧任务回归和失败分支，而不只是展示最漂亮的一条进化路径。

6.5 谁来保证评价器不会被优化？

优化过程会主动寻找得分更高的路径。若评分函数有漏洞，系统可能学会提高分数，而不是完成我们真正关心的目标。DGM 论文就记录过 Agent 通过修改与检测相关的工具标记，绕过一项检查的案例 [8]。

这也是为什么改进版本不应同时拥有修改隐藏测试、安全规则、预算计数和最终评估器的无限权限。生成者可以提出改动，但不能由它单方面决定什么叫成功。

RAND 对公开证据的梳理也指出，AI 已经参与 AI 研发中的重要环节，但公开披露的系统尚未独立设定完整研究议程并设计后继系统 [20]。这不是说未来不可能发生，而是提醒我们不要用局部成功代替整个闭环的证据。

七、从 Coding Agent 到 AI for Science：循环之外还有现实世界

在代码任务中，一次修改通常可以通过编译器、单元测试和运行时间快速获得反馈。科学研究的反馈往往更慢、更贵，也更不完整。

以蛋白质设计为例，系统可以先生成序列，再使用结构预测、能量函数或分子模拟筛选候选，最后选择少量候选进入湿实验。计算评分可以帮助缩小搜索空间，但预测指标并不等于真实表达量、稳定性或功能活性。

这里可以设计两个相互关联的循环：

内层：蛋白质候选优化
设计序列 → 计算筛选 → 选择候选 → 实验验证 → 更新候选

外层：设计策略优化
比较多轮结果 → 分析预测与实验偏差 → 修改工具组合/筛选流程
           → 独立回归与实验验证 → 接受或回滚新版工作流

关键差别在于：内层学习"哪个序列有效"，外层学习"怎样的设计流程更可能找到有效序列"。如果新版流程还能更好地提出并验证下一轮流程改进，我们才有了更强的递归证据。

这并不是说系统应该一味增加实验次数。更合理的目标，是比较单位预算下获得了多少可靠信息，并把昂贵的实验用于区分最有价值的假设。跨批次保留实验、记录阴性结果、比较不同模型，并将最终湿实验指标与代理评分分开，都是避免系统只优化计算指标的重要条件。

Scientific RSI 因此特别有吸引力，也特别困难。它需要的不只是更强的模型，还包括可信的实验、版本化数据和对失败原因的解释。在科学领域，现实世界才是最终的评价器。

八、未来会走向哪里？

我认为，近期最值得关注的不是某个系统是否宣布自己实现了"完全 RSI"，而是几个更具体的变化。

第一，Harness 的局部自优化可能越来越实用。Prompt、工具选择、上下文管理和验证步骤通常比基础模型训练更容易修改，也更容易保存版本和回滚。真正的挑战是让局部收益在新任务上仍然成立，而不是对固定评测集越调越熟。

第二，Loop 会从任务执行扩展到系统优化，Graph 也会成为被优化的对象。例如，系统可能发现某类失败适合增加验证节点，另一类任务则应该取消昂贵而无效的多 Agent 分工。但 Graph 越复杂，并不天然意味着效果越好；每条新增边和每个新节点都会带来成本与治理要求。

第三，模型训练、Agent 轨迹和工程环境可能逐渐耦合。Agent 执行产生的数据可以用于后训练，更强的模型也可能更善于操作或改进 Harness。这个方向值得重视，但耦合本身并不能证明收益一定复利增长；算力、数据、实验速度和可靠评估都可能成为瓶颈。

第四，安全与评估会从附加功能变成核心架构。当系统能够修改自己的工作方式，版本控制、沙箱隔离、留出评估、权限门控、审计和回滚，就不再只是部署细节，而是判断改进是否可信的前提。

结语：从改进结果，到改进改进的过程

如果把这个系列放在一起看，可以得到一条更清晰的线索：

• Harness Engineering：让 Agent 在可信的环境中工作。
• Loop Engineering：让 Agent 能够根据反馈持续推进。
• Graph Engineering：让多个工作单元以可控的方式协作。
• RSI：让系统参与改进这些机制，并检验改进后的系统能否继续改进自己。

这不是四个互相替代的阶段，也不是任何一个技术名词带来的魔法。现实中的进化系统需要模型、反馈、运行环境和外部验证共同配合。

对于 RSI，最值得期待的不是一个立刻失控的"智能爆炸"故事，而是一个可以被严肃检验的工程问题：

我们能否构建这样的系统：它不仅能够解决问题，还能够在明确的目标、可验证的反馈和人类设定的边界内，持续改进自己解决问题的方法？

答案不会来自某一次漂亮的 Benchmark 成绩，而会来自可复现的跨任务收益、透明的资源账本、可靠的评估，以及面对失败时能够解释和回滚的系统。

参考文献

[1] Xiaopeng Xu. (2026). 驾驭工程（Harness Engineering）：AI 时代软件工程的新范式. xu-xp.com. https://xu-xp.com/posts/harness_engineering/

[2] Xiaopeng Xu. (2026). 循环工程（Loop Engineering）：炒作还是 AI 智能体架构的下一次演进. xu-xp.com. https://xu-xp.com/posts/loop_engineering/

[3] Xiaopeng Xu. (2026). 图工程（Graph Engineering）：剥离炒作，重构 AI 智能体的组织拓扑. xu-xp.com. https://xu-xp.com/posts/graph_engineering/

[4] I. J. Good. (1965). Speculations Concerning the First Ultraintelligent Machine. Advances in Computers. https://www.sciencedirect.com/science/chapter/bookseries/pii/S0065245808604180

[5] Jürgen Schmidhuber. (2003). Gödel Machines: Self-Referential Universal Problem Solvers Making Provably Optimal Self-Improvements. arXiv. https://arxiv.org/abs/cs/0309048

[6] arXiv:2508.07407. (2025). A Comprehensive Survey of Self-Evolving AI Agents. arXiv. https://arxiv.org/abs/2508.07407

[7] arXiv:2305.16291. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. arXiv. https://arxiv.org/abs/2305.16291

[8] arXiv:2505.22954. (2025). Darwin Gödel Machine: Open-Ended Evolution of Self-Improving Agents. arXiv. https://arxiv.org/html/2505.22954v3

[9] arXiv:2609.26457. (2026). Recursive Self-Improvement of AI Research Agents. arXiv. https://arxiv.org/html/2609.26457v1

[10] Google DeepMind. (2025). AlphaEvolve: A Coding Agent for Scientific and Algorithmic Discovery. arXiv. https://arxiv.org/html/2506.13131v1

[11] arXiv:2410.10762. (2025). AFlow: Automating Agentic Workflow Generation. arXiv. https://arxiv.org/abs/2410.10762

[12] arXiv:2507.19457. (2025). GEPA: Reflective Prompt Evolution Can Outperform Reinforcement Learning. arXiv. https://arxiv.org/abs/2507.19457

[13] arXiv:2508.03680. (2025). Agent Lightning: Train ANY AI Agents with Reinforcement Learning. arXiv. https://arxiv.org/abs/2508.03680

[14] NeurIPS. (2025). Self-Adapting Language Models (SEAL). proceedings.neurips.cc. https://proceedings.neurips.cc/paper_files/paper/2025/file/6b41e04c41726e2a60e456d0a2b961ab-Paper-Conference.pdf

[15] OpenEvolve. OpenEvolve: An Open-Source Implementation of Evolutionary Coding Agents. github.com. https://github.com/algorithmicsuperintelligence/openevolve

[16] OpenHands. OpenHands SDK Architecture Overview. docs.openhands.dev. https://docs.openhands.dev/sdk/arch/overview

[17] LangChain. LangGraph Overview. docs.langchain.com. https://docs.langchain.com/oss/python/langgraph/overview

[18] arXiv:2504.08066. (2025). The AI Scientist-v2: Workshop-Level Automated Scientific Discovery via Agentic Tree Search. arXiv. https://arxiv.org/abs/2504.08066

[19] arXiv:2502.14297. (2025). Evaluating The AI Scientist for Autonomous Research. arXiv. https://arxiv.org/html/2502.14297v2 该评估针对较早版本的 AI Scientist，并非对 v2 的直接评测。

[20] RAND. (2026). Recursive Self-Improvement and Automated AI Research and Development. rand.org. https://www.rand.org/pubs/perspectives/PEA5068-1.html

[21] Ryan Lopopolo / OpenAI. (2026). Harness engineering: leveraging Codex in an agent-first world. openai.com. https://openai.com/index/harness-engineering/

[22] LangChain. (2026). The Art of Loop Engineering. langchain.com. https://www.langchain.com/blog/the-art-of-loop-engineering

[23] arXiv:2504.15228. (2025). A Self-Improving Coding Agent. arXiv. https://arxiv.org/html/2504.15228v2

[24] arXiv:2603.19461. (2026). HyperAgents: Co-Evolving Task and Meta Agents. arXiv. https://arxiv.org/html/2603.19461v1

[25] GEAR. (2026). GEAR: Generalizable Evolving Agent Harness — Project Page and Preprint. rsi-gear.github.io. https://rsi-gear.github.io/