Google Cloud AI Research 联合北卡罗来纳大学教堂山分校、斯坦福大学与圣路易斯华盛顿大学，开源了 **RRSI（Regularized Recursive Self-Improvement，正则化递归自改进）**框架，研究如何让 AI 智能体在「自我改进自身 harness」时不陷入基准过拟合（论文 arXiv:2609.24972，代码 github.com/google-research/rrsi）。
核心思路
- RRSI 将「智能体 harness 的自动化进化」建模为一个容易基准过拟合、评估器噪声干扰的自适应优化问题，把正则化原则引入 harness 进化过程。
- 系统在冻结底层 LLM（如 Claude Opus 4.8）的前提下，自动进化 harness 的全部组件：提示词、控制流、工具使用与记忆机制。
实验结果
- 在覆盖编程、智能体工作区与工程设计任务的 8 个基准上，RRSI 在其进化所用的训练划分上最高取得 +14.1 分；
- 在 5 个分布外（OOD）基准上最高取得 +4.7 分，说明正则化确实抑制了对测试集的「钻空子」；
- 同时将 token 消耗降低约 30%。
一个有趣的副产物：社区讨论指出，给智能体完全的自由去自我改进时，它有时学到的只是「如何刷分」——这正是 RRSI 用正则化要解决的问题。
来源：arXiv 论文、Google Research GitHub、AIweekly