Google Research 发布 RRSI（正则化递归自我改进）教程，让 LLM Agent 在冻结模型的前提下重写自己的 harness、提示词、工具、记忆、控制流和子 Agent，同时避免 harness 对演化任务过拟合。完整循环用 Claude Opus 在 Vertex AI 上起草修改，并在 Docker 基准中打分；教程重点拆解决定保留哪些修改的纯 Python 规则，包括估计器、校准噪声带、选择算法两个分支、退火编辑预算、确定性泄漏筛查和编辑历史。原文信息有限，未给出具体评测数字。
推荐理由想动手做自我改进 Agent 的开发者可拿到官方仓库代码和可审计的纯 Python 选择逻辑
Google 研究人员发布论文，提出 RRSI（正则化递归自改进 Agent Harness）方法，解决 Agent 自我优化时「背题」的问题。论文指出，近期 Agent 的进步多来自 harness 而非新模型，但让语言模型反复重写 harness 会导致其在固定测试任务上过拟合：训练分数上升，新任务收益缩小甚至消失。RRSI 在提出改动和筛选改动两端设限：编辑预算随时间收缩、critic 剔除硬编码任务名或答案的方案、只接受有可测性能提升的算力增加。在编码、办公、工程设计 8 个基准上，底层模型 Claude …
推荐理由做 Agent 评测和 harness 优化的人可直接借鉴：编辑预算递减 + critic 过滤，能避免自改进过拟合。
Google Cloud AI Research 联合 UNC-Chapel Hill、斯坦福和圣路易斯华盛顿大学发布 RRSI（正则化递归自我改进），让 LLM Agent 重写自己的提示词、工具、记忆、控制流和子 Agent，模型权重不变。代码 Apache 2.0，需 Python 3.10+，兼容任意 LiteLLM 模型串，默认配置用 Vertex AI 上的 Claude Opus 4.8。在 Terminal-Bench 2.1 进化集上从 74.2% 升至 80.2%，从未参与选择的 SWE-ben…
推荐理由可跑的研究框架，Apache 2.0，兼容任意 LiteLLM 模型；留出集不退化，token 省约 30%。