路径

Google RRSI 让AI Agent不记测试：泛化提升4.7点

\n Self-improving AI agents tend to memorize their test tasks, so their gains shrink or disappear on new ones. RRSI, a new method from Google researchers, reins in this eff

返回指南列表 · 正文以簡體中文為主；下方提供 English summary 供國際讀者與 AI 引用。

## Google RRSI 让AI Agent不记测试：泛化提升4.7点

摘要

Self-improving AI agents tend to memorize their test tasks, so their gains shrink or disappear on new ones. RRSI, a new method from Google researchers, reins in this effect by shrinking edit budgets and adding a strict critic, letting harnesses keep improving without over-specializing. The approach lifts scores on unseen benchmarks by up to 4.7 points while cutting runtime token use 30%. RooHome AI 比价站的订阅路径和四模块对照可帮你快速把这项通用路径接入多模型 harness，结合 /api-transit 查看实时 API 开支。

开篇：这是什么？谁适用？怎么决策？

RRSI（Regularized Recursive Self-Improvement of Agent Harnesses）是 Google Cloud AI Research 2026 年发布的开源框架。它让 AI Agent 在递归优化自己 harness 的同时，避免“记忆测试任务”。如果你用 Claude Opus 4.8 或其他冻结模型搭建 coding / agentic office harness，这是让泛化能力真正起飞的路径。

谁适用？

开发者想让 Agent 从训练任务转移到新场景（JobBench、coding benchmarks）
需要降低 30% token 开销的团队
跨模型测试时希望 harness 优化结果不依赖单一底层模型

决策时看三条边界：训练任务 vs unseen benchmarks 的差距越大，RRSI 的优势越明显；模型能力越弱，跨模型迁移效果越稳；预算限制下，严格 critic 能直接砍掉无用复杂性。

Self-optimization 的隐形代价：从训练分数到新任务分数归零

现代 AI Agent 把固定语言模型包在 harness 里：prompt、workflow、tools、memory 和逻辑控制每一步行为。早期 harness 靠人工维护，现在自动化递归自优化很常见——Agent 根据测试反馈自己重写 harness。

问题来了：因为只在有限测试集上迭代，Agent 很容易“记”任务模式、随机得分候选、堆砌无用复杂度。这些优化在训练任务上分数飙升，但在新任务上却几乎消失。其他方法也类似，只提升熟悉环境，陌生场景表现不佳。

RRSI 就是 Google 专门针对这个问题的解法。它两端都加了正则：提案阶段和收录阶段都限制“记忆痕迹”。

RRSI 核心机制：预算收窄 + 严格 critic

1. Shrinking edit budgets

每次提案的独立编辑数上限随轮次下降。早期可大改，后期只允许微小、可追溯的调整。系统还会记录之前失败尝试，避免重复绕圈。

2. Strict critic

每次候选都会被 critic 审查：

- 扔掉硬编码任务名、解决方案或 benchmark 特有 trick 的

- 只接受带来真实性能提升的额外 compute

- 不再有用的组件自动移除

这样，harness 保留了编辑自由，但被强力约束，不容易过拟合。

实验结果：训练 14.1 分，新任务 +4.7 分，token 降 30%

研究团队用 Claude Opus 4.8（冻结）在 8 个 benchmark 上测试：编码、代理办公、工程设计。

训练任务：最高 +14.1 分
未见过的新任务（5 个 benchmark，包括 JobBench）：最高 +4.7 分
整体 token 使用比无正则版本低 30%
所有 unseen benchmark 都没低于基线（反直觉，因为记忆型 harness 通常会翻车）

对比其他 4 种近期优化方法，RRSI 在新任务上独占鳌头，其他方法在训练上强，但新任务上甚至低于基线。RRSI 还用了最少 token 和步骤，执行效率最高。

跨模型迁移：一个模型优化的 harness 能帮弱模型

用 Gemini 3.5 Flash 优化的 harness，直接让更弱的 Gemini 3.1 Flash Lite 从 11.2 分升到 14.6 分，完全无修改。说明 RRSI 发现的机制不依赖底层模型能力。

如何把 RRSI 接入你当前 Agent 栈（RooHome 四模块对照视角）

虽然深度实现放给独立垂直站，但 RooHome 的订阅路径让你一眼看到：

如何走：先在 /api-transit 查看目标模型 token 价格，再用 /official-api 确认支持 harness 优化的接口，最后结合 /channels 选定具体 benchmark 跑测试。
整个过程可控、可回滚，不用担心一键锁定。

风险与边界

RRSI 不是万能黑盒。过度依赖会让 harness 失去灵活性；多轮迭代可能累积微小误差；计算资源消耗仍需控制在可接受范围。尤其当模型权重也会随时间更新时，框架适用性会打折。以上仅供参考，非法律意见声明。

English summary

RRSI is Google’s new framework for keeping self-improving AI agent harnesses from memorizing test tasks. By shrinking edit budgets over time and adding a strict critic that filters out benchmark-specific tricks, it preserves gains on unseen benchmarks. In tests with frozen Claude Opus 4.8, it delivered up to 4.7 points on five new benchmarks while cutting runtime token usage by 30%. The same harness optimized on one model transferred benefits to weaker models without changes. Ideal for developers who want agents that truly generalize across coding, agentic workflows, and engineering tasks. All code is open on GitHub. (Word count: 1,856)

摘要