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

2026.11.11 · 收录日 2026.11.11 · 产品 · 开源项目 · 论文预印本

开源框架 GEAR 把 RSI 算法拆成可替换模块,进化后的 Agent 在营销、客服、代码任务上通过率提升。

来自 Imperial College London、Duke 等机构的研究者提出开源框架 GEAR,为递归自我改进(RSI)提供通用工具箱,将采样、候选评测和多样性管理拆成可替换模块。基于 GEPA 算法改进的实验显示,进化后的 DeepSeek Harness 在固定 GPT 5.6 Luna、medium 推理档位下,营销任务通过率从 27.0% 提高到 40.0%,客服从 17.0% 提高到 25.0%,代码从 52.8% 提高到 62.9%。

  • GEAR 将父版本选择、修改方案规划、任务采样、评分和候选排序拆成可替换模块,让 RSI 算法能快速搭建、比较和复用。
  • 论文以 harness 进化为验证对象,提示词、工具、技能、工作流和上下文管理可被修改,目标模型权重保持不变。
  • 固定 GPT 5.6 Luna、medium 推理档位时,进化后的 DSH 在营销、客服、代码任务通过率分别提升至 40.0%、25.0%、62.9%。
  • GEAR 将 Agent 自进化建模为元学习问题,分内层任务执行与外层跨任务改进两层,形成循环。
  • Marketing 进化中第 5 轮候选目标完成度升至 82.3%,但完整任务通过率从 36% 降到 34%,未被采用。

为什么值得看

了解 RSI 如何像搭积木一样模块化构建与比较

适合谁关注

关注 Agent 自进化与 LLM 工程的研究者和开发者

原始来源

查看收录日 2026.11.11 全部卡片 · 全部卡片归档