AI热榜 随着 Agent 开始承担更长、更复杂的任务，如何让 Agent 从执行中积累经验、持续改进自己，正在成为新的技术方向。
今年 7 月，一篇针对 2024—2026 年 1250 篇相关论文的 RSI 综述《Recursive Self-Improvement in AI: From Bounded Self-Refinement to Autonomous Research Loops》显示，AI 自我改进已经形成相当广泛的研究版图。
研究对象从部署阶段的行为、训练阶段的策略，进一步延伸到评估器乃至 AI 研究过程本身。
这意味着，RSI 所讨论的“自我改进”，正在从单一对象的优化，扩展到 AI 系统不同环节的持续迭代。
围绕 Agent 的自我改进，openJiuwen 也已经进行了一系列探索。
openJiuwen 是由华为 2012 实验室、华为云、终端、计算等团队联合构建的开源 AI Agent 平台。
今年 6 月，openJiuwen 发布 Auto Harness，让智能体能够根据任务执行结果，自动优化 Prompt、Skill、Tool、Rail 等自身“工作装备”。
这一次，openJiuwen 又将优化对象进一步扩展，发布了完整的 RSI 框架。
这套框架首先回答了 RSI 的优化逻辑。
openJiuwen 将优化对象分为 Harness 和 Artifacts 两个维度。
Harness 包括 Prompt、Skill、Tool 和 Rail，决定 Agent 如何完成任务；Artifacts 则是 Agent 最终生成的交付物，目前覆盖科研论文和算法程序。
由此，Agent 的工作方法和工作成果，都可以进入持续迭代。
其次是如何证明优化有效。
openJiuwen 将改进放进一套可验证的工程闭环：先建立基线，根据失败、执行轨迹和指标定位问题，再生成候选版本并重新执行、评测。
只有验证有效的修改才会被采纳，成功和失败的经验则继续进入下一轮迭代。
目前，这套 RSI 框架已经落地到 WorkSwarm 蜂群办公智能体，形成“可插拔 Harness + Artifacts”双维度优化。
同时，针对 RSI 反复生成、执行和评测带来的计算开销，openJiuwen 引入算力亲和能力，减少重复计算和资源消耗。
由此，openJiuwen 将 RSI 落成了一条可以实际运行的工程链路：发现问题、提出改进、执行验证、保留有效版本，并将经验带入下一轮。
接下来，我们具体看看这套框架如何运行。
openJiuwen RSI 框架：让自我迭代真正跑起来的工程闭环 openJiuwen RSI 不是一套固定的优化算法，而是让不同自我迭代任务都能稳定运行的工程框架。
它以版本化优化对象、可验证的执行证据和可扩展的算法为核心，通过四层协作，把任务目标转化为可执行、可评估的改进过程。
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接