您的位置首页 >机器人 >

GEAR 模块化 RSI 框架,像 Scikit-learn 一样让 Agent 在真实任务持续自我进化

GEAR 是一套开源通用递归自我改进 RSI 框架,对标 Scikit-learn 的易用模块化思路,核心价值是不用改动大模型本身权重,只迭代 Agent 的运行驾驭框架(Harness),让 Agent 在真实业务任务里持续收集经验、自动迭代优化,解决过去 RSI 方案耦合严重、很难对比算法、复用成本高的痛点。之前大多数 Agent 递归自改进方案都是写死整套流程,研究者想换一个进化策略、评测方式就要大面积改代码,很难横向对比不同方案好坏;而 GEAR 直接把整个 RSI 流程拆成标准化、可插拔的独立模块,每个模块都能单独替换,配套统一的评测、版本管理、并行执行基础设施,上手门槛大幅降低。整套自进化流程分为内外两层,内层 Agent 负责跑真实任务、拿到执行轨迹和结果分数,外层 Meta Agent 基于历史数据生成 Harness 修改候选,再经过筛选、打分、留存,不断迭代提示词、工具调用逻辑、工作流、上下文管理策略,实验数据也证明这套方案在固定基础模型的前提下,能稳定提升营销、客服、代码类任务的完成通过率,而且优化出来的驾驭框架还能跨推理档位、跨模型复用。

一、GEAR 核心可插拔模块清单

  1. 父版本选择模块:从历史已经验证有效的 Agent 版本里挑选进化母体
  2. 修改方案规划模块:Meta Agent 生成 Harness 改动方案,调整提示词、工具、工作流
  3. 任务采样模块:挑选合适的真实任务集,用来测试新候选版本
  4. 评分评测模块:自动化执行任务、产出结果、给出量化分数
  5. 候选排序与多样性管理模块:筛选优质版本,避免进化陷入局部最优、过度拟合任务

二、GEAR 两层自进化架构说明

  • 内层执行层:固定基础大模型,加载当前 Harness,在隔离环境运行任务,记录完整轨迹、成败、得分,只改 Harness,不微调模型权重
  • 外层进化层:汇总多轮任务的执行数据,调用进化算法生成新版本 Harness,做对比评测,择优保留,形成闭环迭代

三、公开实验效果对比表

任务类型优化前通过率GEAR 进化后通过率
营销任务27.0%40.0%
客服任务17.0%25.0%
代码任务52.8%62.0%

备注:实验固定 GPT 5.6 Luna 模型,使用 DeepSeek Harness(DSH)验证,优化对象是 Agent 驾驭框架,不是模型权重

四、GEAR 和传统 RSI 方案对比

  1. 传统 RSI:代码高度耦合,模块绑定在一起,更换进化策略需要重构整套系统,版本和评测证据难追溯,容易过拟合特定任务
  2. GEAR 模块化 RSI:接口标准化,组件即插即用,支持多种进化算法快速对比,自带版本记录、并行评测,优先产出通用能力,减少任务专属适配

五、适用场景

  • Agent 科研:用来快速验证、对比不同递归自我改进算法
  • 业务落地:在客服、代码、办公自动化等真实任务里持续迭代 Agent 工作流
  • 二次开发:基于框架自定义采样策略、打分规则、进化算法

【常见问题】

问题 1:GEAR 模块化 RSI 框架,为什么说它对标 Scikit-learn?

回答 1:Scikit-learn 的特点是算法模块化、接口统一、开箱即用,方便切换对比模型;GEAR 模块化 RSI 框架也是同样思路,把 RSI 全流程拆成独立模块,开发者可以自由替换进化策略、采样器、评测器,快速搭建、对比不同 Agent 自进化方案。

问题 2:GEAR 模块化 RSI 框架进化 Agent 的时候,会不会微调大模型权重?

回答 2:GEAR 模块化 RSI 框架默认不改动底层大模型权重,优化对象是 Agent 的 Harness 驾驭框架,也就是提示词、工具、工作流、上下文管理逻辑,靠调整这套执行规则来提升 Agent 效果。

问题 3:GEAR 模块化 RSI 框架里的 RSI 是什么,Agent 怎么从真实任务持续进化?

回答 3:RSI 就是递归自我改进,GEAR 模块化 RSI 框架的 Agent 先跑真实任务拿到执行数据,外层元智能体根据轨迹生成新的驾驭框架候选,经过评测筛选留下更好版本,反复循环,实现 Agent 持续进化。

问题 4:GEAR 模块化 RSI 框架现在是开源的吗,项目基础信息是什么?

回答 4:GEAR 模块化 RSI 框架已经开源,项目名称 GEAR,全称 GEAR: An Open General Evolutionary Architecture for Recursive Self-Improvement of LLM Agent Harness,代码托管在 GitHub,项目主页 rsi-gear.github.io,论文 2026 年 10 月 26 日发布预印本。

问题 5:GEAR 模块化 RSI 框架进化出来的 Agent,能不能跨模型、跨推理档位复用?

回答 5:GEAR 模块化 RSI 框架实验证明,经过进化得到的 Harness 驾驭框架,支持跨推理档位、跨不同基础大模型复用,不是只能适配单一模型。

【参考资料】

[2026-11-13](在阿里云 ECS 上跑 Gear 的评测循环,从裸机到第一轮优化)阿里云开发者社区

[2026-11-12](GEAR:打造 Scikit-learn 式的模块化 RSI 框架,让 Agent 从真实任务中持续进化)C114Pro

[2026-11-11](GEAR:打造 Scikit-learn 式的模块化 RSI 框架,让 Agent 从真实任务中持续进化)机器之心

[2026-10-26](GEAR: An Open General Evolutionary Architecture for Recursive Self-Improvement of LLM Agent Harness)arXiv 预印本

【免责声明】

本文信息来自公开论文、开源项目介绍、行业媒体报道,GEAR 模块化 RSI 框架属于前沿 AI 科研项目,技术方案、实验指标、落地稳定性还在持续迭代;内容仅做行业技术科普,不构成开发选型、商业落地或者投资建议,项目最新代码、参数以官方 GitHub、论文主页为准。

今日大家都在搜的词: