RSI 火了，但自进化也会过拟合：Google 等提出 RRSI，给自进化施加正则化

当前 Agent 领域的递归式自我改进（RSI）已有现实落地路径：无需修改模型权重，Agent 可通过迭代调整 Prompt、工具调用规则、记忆管理等外围 Harness 组件形成自我改进闭环。但传统无约束的 Harness 进化过程反复使用同一组任务迭代优化，易出现基准拟合、追逐评估噪声、复杂度累积三类问题，导致进化集分数持续上涨，但在未见过的 OOD 任务上收益大幅缩水，还会推高推理成本。谷歌提出的正则化递归自我改进框架 RRSI 不限制 Agent 的自我修改空间，而是从提案端限制单轮修改复杂度、留存完整进化历史引导探索，从筛选端严格验证修改的泛化性、性价比，过滤无效改动。实验显示，RRSI 在进化集分数略低于无约束进化的情况下，在多类未参与进化的 OOD 基准上表现更优，同时大幅降低推理 Token 消耗，30 轮进化中仅约三分之一的改动被验证有效并留存。该研究指出 RSI 的核心不应是追求无限制的自我修改，而是要实现可泛化的自我改进，让 Agent 能筛选出真正具备普适性的有效进步。