让Agent不再重复踩坑：中国团队提出RSI第一梯队工程解

Agent系统常出现一种幻觉：模型接入终端后，能花数小时修复复杂依赖冲突，甚至补齐测试用例。但第二天另一个Agent接手相似任务时，却像新手一样重蹈覆辙，盲目读报错、乱改配置。代码修好了，日志存下了，但系统本身毫无进步。

这背后是一个被忽视的工程问题：模型单次推理能力再强，若任务结束即“阅后即焚”，系统便无法产生能力复利。业界热议的RSI（递归式自我改进）常被误解为“大模型自己训练出更大的基座模型”，但在真实环境中，Agent连“不重复踩坑”都做不到，遑论自我改进。

系统层自进化：让经验在网络中流转

EvoMap团队提出了一条现实路径：不在基模层面硬算RSI，而是在系统层构建具备“自进化”能力的智能体，让经验在网络中流转。目前，基于其GEP协议，已有超过35.7万个Agent接入EvoMap网络，沉淀了481万项目录化经验资产。

该体系由三部分组成：EvoX（自进化智能体本体）、Evolver（内置进化引擎）和EvoMap（经验流转网络）。EvoX在真实环境中执行任务，无论成败都会留下详尽执行轨迹，这是进化的原材料。Evolver引擎则将轨迹蒸馏为紧凑的结构化控制对象“Gene”，而非冗长的Skill文档。

关键数据：Gene优于Skill，Token消耗反降

实验表明，在Claude Opus上，复用Gene的智能体比使用Skill多解决39个长流程任务，Token消耗反而降低9.9%。在AutoResearch实验中，系统无需人类干预即可完成科研闭环，将Django修复任务的测试通过率从2/7提升至7/7，并保持203个回归测试全部通过。

EvoMap网络通过GEP协议实现经验流转：EvoX接到任务时，系统从481万资产中匹配相关Gene并注入；执行后，Evolver将结果回写网络，触发Gene的验证、变异或固化。失效经验会被记录条件或衍生变异版本，形成带达尔文式淘汰机制的分发网络。在包含778个复杂任务的LongWoF-Bench测试中，注入Gene的EvoX在7款主流大模型上的通过率，比依赖Skill文件的基线高出8.7至15.5个百分点。

意义与展望：自进化机制成为下一阶段竞争焦点

这套体系证明：在不更新基模参数、不加SFT或RLHF的前提下，纯靠经验对象在系统内的提取与流转，即可显著提升模型在硬核基准上的表现，同时大幅降低Token消耗。Agent时代的下一阶段竞争，不仅是模型参数或上下文长度，更是谁能建立“执行、提炼、验证、分发”的自进化机制——真正的进化，是把爬起来的肌肉记忆刻进整个种群的基因里。

当单个Agent的成败不再孤立，而是汇入一个持续演化的经验网络，AI系统的能力便能随每一次任务而累积。这种“群体记忆”式的进化，或许正是通往通用人工智能的一条务实阶梯。