字节联合开源RSI统一实验底座，Agent自进化策略可搭配组合！

智猩猩AI整理

编辑：林夕

近日，字节跳动、上海交通大学、加州大学伯克利分校等机构联合提出开源框架RSIHub，将AHE、Hyperagents、A-Evolve和GEPA等进化方法，接入同一套执行与评测流程。

X用户在介绍这项工作时，将其定位类比为深度强化学习时代的Gym、分布式训练中的PyTorch Lightning：

把算法与底层设施分开，让研究者集中研究进化策略。

这个类比点出了RSIHub要解决的问题。

Agent已经能自己改Prompt、补技能、调整运行代码，但不同进化方法往往各搭一套系统，方法越来越多，究竟谁更有效，却很难放在一起比较。

RSIHub把这些尝试搬到共同的实验条件下。

MiniSWE在Terminal Bench 2上的pass@1最高提高13.5个百分点，但换一个Agent、换一类任务，领先的方法就可能变化。部分版本总分涨了，没参与修改反馈的保留任务反而退步。

让Agent自己改，已经有了多种方案；怎么判断它改得更好，正在成为新的研究重点。

01 一份Recipe，组合不同进化方法

Agent执行失败后，开发者会检查轨迹，修改提示词、工具、记忆或重试逻辑。

Agent进化方法尝试把这套调试工作自动化：根据执行反馈提出修改，再测试新版本。

但如何选择旧版本、分析失败和保留改动，不同方法各有设计。

但不同方法的重点并不相同。

有的优化提示词，有的积累技能，有的直接修改Agent代码；它们如何选择旧版本、如何分析失败、如何保留新版本，也各有设计。

RSIHub把这些方法中重复出现的流程拆开，整理成七个阶段：

选择父代、执行任务、分析轨迹、提出修改、检查边界、评测，以及吸收结果。

具体怎么完成每一步，由不同的算子负责。Recipe则选择这些算子，并配置它们的工作方式。

例如，同样是挑选父代，可以沿着当前最高分版本继续修改，也可以根据多个目标保留不同候选；同样是分析失败，可以使用完整轨迹，也可以先整理成更紧凑的修改依据。

这些差异，都可以成为单独测试的对象。

项目提供了A-Evolve、AHE、GEPA和Hyperagents等配方，分别覆盖提示词与技能优化、Harness修改，以及目标Agent和部分进化策略的共同演化。

对研究者来说，测试一个新想法，不必再从候选版本管理、任务执行和结果归档开始重做。

替换某个环节之后，可以继续沿用其余实验流程。

02 改不动了，“怎么改”也可以调整

自动修改Agent，仍然离不开一套预先设计的改进方法。

选哪个版本继续尝试，给修改者看哪些反馈，失败后是否保留经验，什么时候放弃一条路线，这些选择会影响最后能找到什么结果。

RSIHub为这部分策略的调整提供了接口。

一种方式，是把选定的进化算子放进允许修改的范围。

这样，候选版本变化的同时，负责分析或提出修改的部分代码也可以变化。

Hyperagents配方支持的，就是这类共同演化。

另一种方式发生在两轮迭代之间：由外层Agent根据允许使用的反馈，调整下一轮Recipe中的算子绑定和策略设置。

前一种修改组件实现，后一种调整组件的选择与配置。

于是，一次失败可以有两种处理方向：继续修正执行任务的Agent，或者重新检查产生修改的策略。

这也让递归自我改进有了更具体的研究入口。系统可以尝试改进任务执行方式，也可以研究怎样提高后续改进的效率。

但这些修改都有边界。

Recipe需要声明哪些资源允许变化。评测器和认证结果记录由框架控制，候选版本不能通过修改评分规则来获得更高成绩。

框架还会检查实际文件差异，再从干净的候选快照开展评测。

可以尝试更多修改，但每次涨分究竟对应什么版本、什么测试条件，仍然要能查清楚。

03 最高提升13.5个百分点，换个任务结果就变了

研究团队选择MiniSWE和Codex作为初始Agent，在Terminal Bench 2与τ³ Banking上比较四种进化配方。

目标模型统一使用GPT-5.4 high，负责提出修改的Agent使用GPT-5.4 xhigh，每次进化最多运行10代。

最明显的增益出现在Terminal Bench 2的MiniSWE设置中。

Hyperagents和A-Evolve都将整体pass@1从56.2%提高至69.7%，增加13.5个百分点。

换成初始成绩更高的Codex，提升则明显缩小：AHE取得最高结果71.9%，比初始版本增加2.2个百分点。

到了τ³ Banking，AHE将Codex从24.7%提高至34.0%；MiniSWE则由Hyperagents取得最高整体成绩，从27.8%提高至33.0%。

换一个起点、换一类任务，领先的方法就可能变化。

再看封存保留任务，结果还会复杂一些。这部分任务不参与修改反馈，用于检查改进能否转移到未见任务。

在τ³ Banking的MiniSWE实验中，Hyperagents虽然提高了整体成绩，封存保留任务上的表现却下降了。

AHE和GEPA在这一设置中，也出现了保留任务退步。

总分上涨，可能伴随着部分能力损失。参与优化的任务做得更好，也不能直接说明新任务上的表现同样改善。

因此，实验需要同时看两件事：修改有没有带来收益，这些收益能不能迁移。

RSIHub保留的候选历史、执行轨迹与结果记录，正是为了让研究者继续排查：

哪些改动修复了问题，哪些改动引入了退步，下一轮是否应该换一种策略。

04 Agent自己改，还得证明改对了

从优化Prompt、积累Skill，到修改Harness，Agent正在接手越来越多原本由开发者完成的调试工作。

RSIHub进一步将这些尝试接入共同流程，也为调整部分进化策略提供了接口。

论文实验表明，自动修改能够在部分设置下带来明显提升，但效果取决于初始Agent、任务和具体方法。

总分上涨的同时，保留任务也可能退步，持续进化还不能等同于持续变强。

RSIHub提供了一套继续研究这些问题的基础：替换策略、比较结果，沿着版本记录检查改动。

当Agent开始参与开发下一代Agent，哪些经验值得保留、哪些修改能够迁移，将直接影响这个循环能走多远。