GEAR 就是一套对标 Scikit-learn 使用体验的模块化递归自我改进（RSI）框架，核心目标是让开发者不用从头搭建整套自进化实验体系，直接插拔组件、快速搭建、对比、迭代 Agent 的自我进化流程，并且让 Agent 在真实业务任务里持续变强，而不是只在固定基准数据集上刷指标。过去做 RSI 大多是整套系统绑死在一起，换一个进化策略就要大量改代码，实验结果也很难复现、不好对比；GEAR 把整个自进化链路拆成一个个独立、可替换的标准模块，搭配统一的评测、并行推理、版本记录基础设施，研究者可以单独替换父代选择、任务采样、修改方案生成、打分排序这些环节，底层模型权重不用改动，只优化 Agent 的提示词、工具调用逻辑、工作流、上下文管理这套执行 harness。实测在固定基础大模型的前提下，用 GEAR 搭配 GEPA 遗传帕累托优化算法，在营销、客服、代码三类真实任务上，Agent 的任务通过率都有明显上涨，营销任务从 27% 提升至 40%，客服任务从 17% 提升至 25%，证明这套模块化思路是可以落地的。
核心模块拆分
整个 GEAR 的链路拆成五个可以独立替换的模块，每个模块都有统一接口，更换模块不会把整套实验环境推翻。
- 父版本选择模块：从历史表现不错的 Agent harness 版本里挑选本轮进化的种子版本
- 修改方案规划模块：针对失败轨迹，生成提示词、工具链、流程上的改进候选方案
- 任务采样模块：从真实任务池里挑选适合本轮验证的任务，避免只适配少量测试样例
- 评分评估模块：按照预设成功标准，自动跑完任务轨迹，给出量化得分，留存执行记录
- 候选排序与多样性管理模块：对所有新生成的 Agent 版本做筛选，保留效果好、方案差异足够大的版本，防止收敛到局部最优
双层运行架构
GEAR 采用内外双循环的元学习架构，把任务执行和进化优化分开，职责清晰。
- 内层循环：任务执行与评估。固定当前 Agent harness，在任务沙箱里跑任务，产出完整执行轨迹，自动打分，把成功、失败的证据保存下来，给外层优化使用。
- 外层循环：harness 进化优化。元 Agent 读取大量轨迹和评测结果，定位反复出现的缺陷，调用各个模块生成新的 Agent 版本，再送回内层循环验证，循环迭代。
上手使用步骤
- 初始化项目：通过命令行或者 Python SDK 创建基准项目，导入自己的真实任务集，配置任务判定标准。
- 配置运行身份：分别配置目标模型（用来跑任务的 Agent）和元模型（用来生成改进方案）的接入凭证。
- 初始冒烟测试：先跑少量种子任务，确认环境、打分器、沙箱可以正常运行，排除环境故障。
- 启动进化迭代：框架自动调用各个模块，生成候选版本、批量评测、筛选优胜版本，持续循环。
- 导出与复盘：进化结束后导出所有版本、轨迹、评测日志，对比不同模块、不同算法带来的效果差异。
和传统 RSI 的关键差别
传统 RSI 项目往往是定制化的单体工程，代码耦合严重，换一个进化算法几乎要重构；GEAR 走 Scikit-learn 的路线，接口标准化，模块即插即用，同时把评测、并行调度、版本归档做成共用底座。它还有一个很关键的设定：默认不动基础大模型权重，只优化 Agent 的执行 harness，降低算力成本，也方便在同一个基座模型上测试各种自进化策略。
最终小结
GEAR 的价值不在于提出一个全新的自我进化算法，而是给 RSI 领域提供一套标准化、可复用的工程实验底座，降低研究和落地门槛。开发者可以像调用 sklearn 的分类器一样，挑选、组合不同的进化模块，在营销、客服、代码这类真实场景里，让 Agent 依靠任务反馈持续迭代自己的执行策略。
【常见问题】
问题 1：GEAR 模块化 RSI 框架和 Scikit-learn 的相似点到底是什么？
回答 1：GEAR 模块化 RSI 框架借鉴 Scikit-learn 的模块化、统一接口思想，把 RSI 流程拆成独立组件，支持直接替换、组合、对比不同算法，不用重写整套实验，和 Scikit-learn 里切换不同模型、评估器的体验一致。
问题 2：使用 GEAR 模块化 RSI 框架进化 Agent，需要微调大模型权重吗？
回答 2：默认不需要微调大模型权重，GEAR 模块化 RSI 框架主要优化 Agent 的 harness，也就是提示词、工具、工作流、上下文策略，基座模型保持固定，降低算力消耗。
问题 3：GEAR 模块化 RSI 框架适合哪些任务场景？
回答 3：GEAR 模块化 RSI 框架适合有明确成功判定标准的真实任务，当前公开验证包含营销、客服、代码类任务，用户也可以自定义任务基准接入框架。
问题 4：GEAR 模块化 RSI 框架和 ModularRSI 是同一个东西吗？
回答 4：不是，二者是独立项目，GEAR 模块化 RSI 框架偏向搭建可复用的 RSI 实验平台；ModularRSI 侧重于把 Agent 执行链路拆成五大模块单独演化。
【参考资料】
[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）新浪财经
[2026-09-14]（ModularRSI: Modular and Generalizable Recursive Harness Self-Improvement）arXiv
[2026-11-11]（rsi-gear 项目文档）npm
[2026-11-11]（GEAR 快速开始指南）GitHub
【免责声明】
本文内容仅为前沿技术资讯整理，不构成任何技术选型、投资、商用落地建议；GEAR 模块化 RSI 框架仍处于前沿原型阶段，性能指标来自公开实验，不同任务、模型、环境下效果会存在差异；使用该框架开展 Agent 自进化实验时，请遵守对应开源协议、模型服务规范以及 AI 安全相关规定。