APEMIND / AGENT 持续改进
Agent RSI：从执行诊断到评测驱动改进
让执行证据成为改进 Agent 配置的依据。ApeMind 将工具调用诊断、上下文用量、问答集评测与配置管理连接到企业 RAG 平台。
如何理解 Agent 的 RSI？
递归自我改进（Recursive Self-Improvement，RSI）指系统利用反馈改进自身工作方式，并将经验用于后续迭代。在 Agent 层面，可以保持模型权重不变，调整提示词、技能、工具说明与运行时设置。单纯反复运行评测，并不能证明系统实现了自我改进。
从一次执行，到一次经过验证的改进
观察执行
查看一轮回答已记录的工具调用、参数、结果、错误和上下文用量。可见细节取决于运行记录与模型服务商。
诊断问题
结合规则信号和模型评估，定位重复调用、证据不足或过早停止。将原因建议作为待验证的假设。
调整配置
准备提示词、技能、工具说明或配置的候选改动，通过编辑器或已授权的 CLI 操作应用，并保留原配置用于比较。
重新评测
使用固定的问答集版本与评分口径运行候选配置，比较答案、评分、失败、延迟及可用的用量数据，再决定是否接受改动。
ApeMind 当前提供什么
平台提供执行诊断、上下文与用量视图、问答集版本发布、评测运行与报告，以及对已支持配置资源的 CLI 操作能力。
无人值守的改进循环仍需自行编排候选选择、配置应用、评测与保留决策；跨任务经验复用也需要设计存储和检索规则。这些步骤不是内置的一键 RSI 功能。
怎样证明改进有效
- 为每轮实验保存问答集版本、评分问题、模型版本、候选配置与资源预算。问答集版本不会自动冻结 Agent 的所有依赖。
- 用开发集迭代，用独立留出集做最终评估。持续在同一题集涨分可能只是过拟合。
- 同时报告退步、失败题与评分错误；模型波动可能影响结论时，重复对照运行。
- 验证跨任务改进时，记录经验、支持证据与适用条件，再检查它能否帮助后续未见过的任务。
流程示例：减少重复检索
假设 Agent 反复搜索却没有获得新来源。先检查调用记录，再提出一个“无结果时更换检索角度”的技能改动，用固定评测条件与原配置比较。只有满足约定的质量和资源标准，才保留候选版本。这是方法示例，不是已取得的基准测试结果。
关于 Agent 自我改进的常见问题
有执行轨迹就算 RSI 吗？
轨迹提供证据。改进循环还需要据此提出改动、执行修改后的 Agent 并评估结果。把经过验证的经验用于后续任务，是进一步的能力。
这个流程会训练模型吗？
这里调整的是 Agent 配置与配套资源，不训练或更新底层模型权重。
是否复现了 Google Research 的 Harness²？
这里不宣称复现或达到相同基准表现。Harness² 同时研究任务执行框架与改进框架；复现该方法还需遵循其反馈约束、改进协议与跨任务评估，不能仅凭日志和配置工具判断。
评分提高就说明 Agent 更好吗？
结论只对明确的评测条件成立。需要核对答案、保持评分口径一致、检查留出任务，并报告成本与退步，再作更广泛的判断。
开始搭建可验证的改进流程
查看操作方法与能力边界。
从可核对的基线开始
选择有代表性的非敏感问题，保存初始配置，完成一轮评测，先调查一个失败原因，再调整 Agent。
进入 ApeMind