谷歌让Agent记住进化,而非让Gemini直接变强

2026.11.21 14:16
谷歌云AI、Google DeepMind与宾夕法尼亚州立大学的论文提出SIM与CRSI,尝试让Agent围绕模型的Harness优化经验跨任务、跨模型延续。论文支持的是“机器经验可以积累并迁移”,而不是Gemini已经实现了通用递归自我改进;真正的竞争壁垒,可能从模型权重转向可验证、可迁移的Agent记忆系统。

真正值得关注的,不是AI突然学会了“写日记”,而是Agent的试错经验开始有机会脱离某一个模型,变成下一轮优化可以继续调用的基础设施。

谷歌云AI、Google DeepMind与宾夕法尼亚州立大学联合发表的论文《Self-Improvement Memory Enables Continual Recursive Self-Improvement》,提出了Self-Improvement Memory,简称SIM,并研究了Continual Recursive Self-Improvement,简称CRSI。

这两个概念很容易被包装成“Gemini已经实现了通用递归自我改进”。论文真正展示的事情更克制,也更有产业价值。在模型权重保持冻结的前提下,系统可以持续优化围绕模型运行的Agent Harness,并把过去的修改原因、预期效果和实际结果记录下来。当任务、基准测试,甚至底层模型发生变化时,后续优化不必完全重复过去的试错。

论文没有宣布一个会自主重写模型权重的数字生命诞生,却展示了一个可能改变Agent开发方式的工程闭环。模型负责提出和筛选修改,Harness负责承载工具调用、上下文组织和执行控制,SIM则把零散的实验记录变成可检索、可延续的经验层。

新模型换代,先被重写的是Agent外壳

为什么新模型一出现,旧Agent代码就经常像“废铁”?原因不一定是模型变笨了,而是原有Harness往往和旧模型的行为习惯绑在一起。

Harness可以理解为Agent的操作系统外壳。它决定模型看到什么上下文,如何调用工具,怎样处理执行结果,什么时候重试,如何把任务拆成步骤,以及最终由谁来判断答案是否足够好。模型换代后,原来适合某个模型的提示结构、工具编排和反馈机制,未必适合下一代模型。

传统做法是把Harness代码带到新模型上,再人工调参,或者让优化器重新运行搜索。问题在于,代码只能告诉新系统“现在是什么”,很难告诉它“为什么这样改”“这次改动在哪些条件下有效”“哪一种失败此前已经验证过”。没有这些上下文,所谓迁移往往只是复制外壳,不是继承经验。

SIM的价值正在这里。它记录的不只是某次修改后的代码,还包括修改动机、预期结果、实际效果,以及对应的模型和测试环境。工程师看实验日志,优化器也看实验日志。不同之处在于,后者可以在下一轮搜索中直接利用这些信息。

CRSI让优化过程不再被轻易清零

论文中的CRSI,可以看作对Agent优化流程的一次扩展。过去的递归自我改进通常发生在一个固定模型、固定任务和固定基准测试里。优化器提出修改,运行评估,根据结果继续修改。只要实验持续,Harness就可能变好。

但这种改进常常有一个隐蔽的终点。模型变了,任务变了,或者测试集变了,过去的优化记录就被丢在上一轮实验中。新一轮系统拿到的往往只有最后一版代码,而不是一条带有因果关系的经验链。

CRSI把“继续优化”延伸到模型和任务发生变化之后。SIM则像一份结构化实验档案,让系统能够区分哪些修改可能具有迁移价值,哪些只对特定模型有效,哪些看似提升了分数,却在换环境后失效。

论文的跨模型实验尤其容易引发误读。研究采用Claude Opus 5.5作为源阶段的任务执行模型,之后由Gemini 3.8 Flash继续相同基准和数据划分上的优化。这里的“Claude经验”不是Claude的模型权重、隐藏状态或人格被复制给Gemini,而是Claude参与产生的Harness修改与SIM记录被后续阶段使用。

真正被继承的不是模型本身,而是围绕模型建立起来的做题方法。就像一个优秀程序员离职后,团队仍然可以通过代码审查记录、故障复盘和测试结果延续他的工程判断。模型换了,组织能力没有完全清零。

实验结果支持“经验有价值”,不等于模型获得永久学习

论文报告称,在六个跨数据集设置和四个从Opus到Gemini的领域中,完整SIM优于只携带Harness、不携带记忆的延续方式。论文还在十对独立源运行的编码研究中报告了平均2.36个百分点的优势。

这些结果支持一个清晰判断:经验记录本身具有增量价值。只复制最终代码不够,保留修改的理由和结果,可以帮助后续优化器减少重复犯错。

但这些数字不能被翻译成“Gemini继承Claude后全面变强”。实验测量的是特定Harness、特定任务和特定评估流程中的表现,任务执行模型的权重保持冻结。它证明的是外部优化层具有一定可迁移性,而不是底层模型获得了永久学习能力。

论文还给出了一个文本分类共同Harness的比较。在特定留出样本上,统一综合三种模型反馈的方案平均得分为75.24,分别优化Harness的平均得分为75.20,共享初始Harness为73.28,顺序式CRSI为74.20。这个结果说明共享经验有机会接近甚至超过分开优化,但不同迁移策略之间并不存在简单的“记忆越多越好”。经验如何筛选、冲突如何处理,仍然决定最终效果。

更值得注意的是,SIM并没有取消评估。它仍然需要基准测试告诉系统哪次修改有效,需要执行环境暴露失败,需要选择器在多个候选方案中做判断。记忆不是答案库,而是搜索过程的压缩包。它降低了重复试错的成本,却没有替代试错。

Agent竞争的单位,正在从模型变成“模型加记忆”

如果这条路线继续成立,Agent市场的竞争单位会发生变化。过去开发者主要比较模型的推理能力、上下文长度和工具调用成功率。未来还要比较一个系统能否把过去的失败沉淀成可复用资产。

这会首先改变模型切换的成本。企业更换底层模型,往往需要重新调提示、重做工具编排、重跑评估。拥有高质量SIM的团队,可能把其中一部分迁移成本压缩为“让新模型阅读旧经验,再针对差异继续优化”。模型供应商仍然重要,但客户的长期壁垒不再只掌握在供应商手里。

它也会改变Agent平台的产品形态。平台不应只提供一个更强的模型接口,还应提供可追踪的实验记录、版本化的Harness、失败案例库、跨模型评估和经验回滚。真正有价值的不是某一次自动生成的提示词,而是一套能持续更新的Agent操作系统。

与此同时,模型公司会获得另一种竞争优势。谁能让自己的模型更善于读取历史轨迹、识别有效修改并处理跨模型冲突,谁就可能在同等基础能力下获得更高的迭代效率。未来模型的评价,可能不再只是一次性跑分,而是连续若干轮自我优化之后还能走多远。

不过,记忆层也带来新的风险。错误经验会被反复放大,针对某个基准测试的投机技巧可能被误认为通用能力,旧模型留下的偏差可能在新模型上继续传播。跨模型继承越顺畅,错误的生命周期也可能越长。

因此,SIM必须和版本控制、来源追踪、独立测试集以及人工审计绑定在一起。每条记忆都需要回答三个问题:它在什么环境里成立,证据是什么,换一个模型后是否仍然成立。否则,所谓“经验库”很容易变成自动化幻觉库。

距离通用RSI,仍有几道不能跳过的门槛

“递归自我改进”这个词有很强的想象力,但论文展示的闭环仍然有明确边界。它优化的是模型外围的Harness,不是模型参数本身;它依靠预先定义的任务和评估指标,不是自主决定什么能力值得追求;它能够继承实验经验,却不等于理解经验背后的世界规律。

这并不削弱论文的意义。相反,AI产业真正可落地的自我改进,很可能不会从模型突然拥有无限自我意识开始,而会从这些看起来不够科幻的工程环节开始。让系统记住一场实验,知道一次修改为什么失败,并在换模型后继续利用这条信息,本身就是软件开发自动化向前迈出的一步。

大模型依靠堆算力换能力的路径不会因此立刻终结,但它正在增加一个新的变量:每一轮优化是否能为下一轮留下资产。如果过去的Agent像一次性项目,SIM试图把它变成有组织记忆的研发团队。

真正的分水岭,不是AI会不会写日记,而是它能不能判断哪一页日记值得相信。谁掌握了可验证、可迁移、可回滚的机器经验,谁才可能把一次模型升级,变成一条持续复利的能力曲线。

作品声明:内容由AI生成