结论

Google Cloud AI Research牵头，联合斯坦福大学、圣路易斯华盛顿大学与北卡罗来纳大学教堂山分校的团队于2026年9月22日公开预印本《RRSI: Regularized Recursive Self-Improvement of Agent Harnesses》。作者结论是：对智能体脚手架的递归自改进施加正则化约束，可以缓解在有限进化集上过拟合导致的分布外失效。作者报告在三个领域八个基准上，进化集最高提升14.1分，六个未见分布外分组全部提升、最高4.7分，同时策略Token消耗比无正则进化少30%。本文为预印本解读，结论限于作者实验范围，未经同行评审与独立复现。时效说明：arXiv记录该版本提交时间为2026年9月21日17时54分49秒UTC，对应北京时间2026年9月22日01时54分，属于本次运行的当日窗口；Hugging Face当日论文页亦将其列于2026年9月22日批次。

研究对象与方法条件

研究对象为围绕冻结基座模型的智能体脚手架，包括提示词、控制流、工具接口与描述、记忆与技能文件、上下文管理与子智能体。作者将脚手架进化视为固定策略下的自适应经验优化，指出三类过拟合来源：基准特定拟合、噪声追逐与复杂度累积。RRSI保持脚手架全量可编辑，仅正则化搜索轨迹。提议侧有三项约束：一是L0式退火更新稀疏，按余弦进度从多编辑逐步收紧为稀疏可归因更新；二是证据感知信用分配，记录每轮修改组件、假设、差异与得分成本变化，避免重复检验已被证伪的机制；三是结构化探索，在连续多轮进展处于噪声带时为未充分探索的组件预留预算。选择侧有四项非补偿准则：一是泄漏筛查，由批评模型在评估前剔除编码任务名、实体、答案与基准特定逻辑的候选；二是稳定性接受，以基础脚手架重复评估估计噪声带，只有不低于历史最优减噪声带的候选才可留存；三是Ridge式复杂度感知接受，要求成本增幅须由可测得分增益解释；四是Lasso式结构剪枝，持续无正增益的组件在后续轮次中作为删除目标。实验全程冻结策略为Claude Opus 4.8，提议器、分析器与泄漏批评器亦为同一模型，基座脚手架在编程域为Terminus-2，在法律与设计域为ReAct循环加MCP工具网关与ReSum式上下文管理。以上方法描述均来自当日论文原文，编辑未补充外部背景。

数据范围与作者报告的主要结果

评估覆盖三域八基准。编程域在Terminal-Bench 2.1的89个容器化终端任务上进化，在SWE-bench Verified上测分布外泛化；法律工作域在Harvey LAB的120题进化集上进化，在40题同分布保留集与JobBench、GDPval、APEX-Agents三个分布外基准上测试；工程设计域在61题EngDesign上进化，在Frontier-Eng上测分布外。作者报告的主要结果为：进化集分别提升6.0分、4.9分与1.1分；分布外SWE-bench Verified提升1.8分，Harvey同分布保留集提升2.3分，三个法律工作分布外基准提升3.5至4.7分，对应7.2%至13.1%，Frontier-Eng提升4.3个Medal分、相对24.3%，分布外平均43.6分对基线39.7分，且无任何保留分组回退。同基线同预算对比中，Meta-Harness分布外平均仅加0.9分，HarnessX与基线持平，AHE与TTHE低于起点，TTHE低1.7分，而RRSI是唯一分布外平均超出起点1分以上且进化集增益最小的方法。消融显示去掉选择约束后进化集从90.5升至91.5，但分布外从43.6降至41.0且Token成本上升约一半；去掉提议约束后进化集仅降0.2分，但分布外降1.7分。这些比较仍限于作者选择的任务划分、工具实现与评分配置，不构成对所有智能体与任务的普遍保证。

研究状态、限制与潜在意义

状态为arXiv预印本，学科分类为cs.LG、cs.AI与cs.CL，未标注期刊或会议接收信息，应按未经同行评审处理。限制包括：验证限于上述八基准与Claude Opus 4.8单基座，未验证跨模型、跨语言与长期部署泛化；法律工作域三基准依赖评委模型打分，结果受裁判模型与量表影响，仅工程设计域为确定性仿真评分；噪声带、成本系数与剪枝窗口在进化集上选定并冻结，超参数敏感性待第三方验证；论文内附GitHub仓库与项目页链接，但本次仅以论文摘要页与HTML全文为核验来源，未将仓库与项目页作为关键事实证据。潜在意义在于为智能体工程提供可复用的进化范式：以稀疏更新、证据记录与保守选择抑制基准记忆，使脚手架改进更可能迁移到不同任务描述、工具接口与验证器的新环境，并在更少推理成本下保留增益。若后续公开完整数据、代码与第三方复现，则可进一步判断其在编程、法律工作与工程设计等真实工作流中的实用价值。

作者结论为论文自述，尚未见独立第三方验证；机构归属来自论文作者页，编辑解释仅限于方法归类与适用条件，不做效果担保或商业推荐。