这份中科院自动化所、美团联合多家机构发布的 RSI 综述，核心就是解决大模型 Agent 用完一次、下次遇到同类问题还会重复踩坑的痛点，简单说就是让 Agent 在和环境交互、完成任务的过程里沉淀经验，把经验固化成自身能力，实现递归自我改进（RSI）。过去很多 Agent 只能单次执行任务，执行完就丢了本次的报错、成功经验，没法自动复用；而 RSI 框架就是给 Agent 搭建一套闭环，自动判断什么时候该优化、优化哪个部分、怎么验证优化有效，最终让 Agent 越用越熟练、越用越聪明。综述把分散的各类自优化方法整理成统一框架，一共梳理 40 项代表性研究，还对比了 20 个改进闭环，划分出四条主要进化路线，同时给出完整的改进生命周期，方便技术人员落地研究。
一、RSI 四条核心进化主线
- Prompt 优化进化
- Memory 记忆进化
- Skill 技能进化
- Harness 执行框架进化
Agent 自动复盘历史交互记录，自己改写提示词，去掉无效描述、补充约束条件，不用人工反复调 prompt，让后续任务的指令更精准。
把成功步骤、失败案例、工具调用记录做成可检索记忆，区分临时记忆和长期固化记忆，跨任务调用历史经验，避免重复踩相同错误。
把反复使用的操作流程打包成独立技能包，Agent 自主调试、迭代技能，技能可以复用、组合、更新，比如调用接口、代码调试这类固定流程都能封装。
优化 Agent 底层的调度、评估、校验机制，也就是 Agent 自身的运行框架，让整个自我改进的流程本身变得更高效，属于更深一层的自我优化。
二、RSI 完整改进生命周期（7 步）
- 交互采集：Agent 执行任务，保存完整执行轨迹、报错信息、结果反馈
- 经验诊断：自动识别本次任务哪里出错、哪些做法是有效的
- 改进候选生成：产出 prompt、记忆、技能、框架的修改方案
- 独立验证：用新任务测试修改方案，确认改动确实能提升效果
- 结构固化：验证通过的改动，写入 Agent 长期结构，永久生效
- 版本管理：留存不同版本，防止改动之后反而能力下降
- 循环迭代：带着新能力进入下一轮任务，持续收集新经验
三、综述重点回答的三个基础问题
- 什么时候改：不是每次任务结束都要改，只有出现高频错误、反复同类任务、稳定正向反馈时，才触发改进，避免无效改动
- 改哪里：优先从 prompt、记忆、技能逐层往上改，最后才动底层 Harness 框架，改动成本由低到高
- 怎么保证靠谱：必须有独立验证环节，不能只靠 Agent 自己判断好坏，防止它错误固化无效经验
四、当前 RSI 的现状和局限
现在这套方案还处在学术原型阶段，不是成熟商用方案。目前比较容易落地的是 prompt 优化、短期记忆、简单技能迭代；最难的是 Harness 底层框架自主进化，风险高、很难稳定验证。综述也提醒，RSI 伴随安全风险，自我迭代的过程需要配套校验机制，防止能力跑偏。
【常见问题】
问题 1：RSI 递归自我改进，能不能直接让 Agent 无限变强？
回答 1：RSI 是让 Agent 依托交互经验持续迭代的框架，不是无限变强的魔法。这篇中科院自动化所和美团的 RSI 综述明确，改进需要严格的验证闭环，而且优先从 prompt、记忆、技能这些浅层模块迭代，底层框架改动难度极高，现阶段只能在可控范围内稳步提升 Agent 能力，不存在无限制自动变强。
问题 2：RSI 和普通 Agent 微调、RAG 检索增强有什么区别？
回答 2：普通微调是拿提前准备好的数据集离线训练；RAG 是检索外部知识库，不会修改 Agent 自身的执行结构。RSI 递归自我改进的核心是 Agent 在任务执行过程中，自主把交互经验固化成自身结构（prompt、记忆、技能），形成持续自我迭代闭环，这也是这份 RSI 综述重点区分的关键点。
问题 3：普通开发者可以直接用上这套 RSI 综述里的 Agent 方案吗？
回答 3：暂时不能直接拿来商用部署。这份 RSI 综述是学术梳理框架，汇总了 40 项相关研究，给出方法论，没有现成可直接运行的完整工程包，开发者可以参考里面四条进化主线，搭建自己 Agent 的自迭代能力。
【参考资料】
[2026-11-15]（Agent 如何越用越强？中科院自动化所、美团等推出 RSI 综述）新浪财经
[2026-10-27]（聊一聊递归自我改进 (RSI)）腾讯云开发者社区
[2026-09-01]（RSI: 技术演进、安全威胁及 “配速” 行动）上海科技大学教育、创新和可持续发展研究中心
[2026-08-10]（AGI 之后，硅谷又为资本开支找了一个新理由）36 氪
【免责声明】
本文内容仅基于公开学术综述与行业资讯整理，属于技术科普解读，不构成技术落地指导、投资建议；RSI 相关技术仍处于前沿研究阶段，技术效果、安全风险均未完全验证，相关论文观点仅代表研究团队观点，不代表技术落地承诺。