Agent经验反哺模型，NeoHorse-1让AI不再重复踩坑

Agent完成任务后，学到的经验去了哪里？一个Agent接到项目排期任务，漏读了一封包含最新修改的邮件，沿过时信息规划，生成无效排期，还把文件写错位置。执行链中断后，全是基于错误推理的错误答案。问题在于，下一次怎么办？今天大多数系统中，Agent的经验留在日志里，几乎从不进入模型参数，模型下次遇到相似任务，依旧可能踩同样的坑。

基元律动发布的NeoHorse-1试图改变此事，开源4B与9B两个尺寸模型。思路是让一个负责给模型“派活”的路由系统，顺便记录所有模型走过的路，再把这些路教给一个小模型，让它自己就能走完一群模型走过的路。这被称为迈向RSI（递归自我改进）的第一次闭环验证。模型由无问芯穹提供底层基础设施，清华、北大团队参与算法研究。

RSI愿景是让AI把自己的产出作为经验喂回研发流程，参与设计更强的下一代自己。Anthropic和OpenAI近期均公开了RSI早期进展，但完整RSI时代尚未到来。当前Agent领域有两条演进路线：一是在推理时更新外部系统（如写入Memory、Skill），二是让Harness框架直接参与模型训练。NeoHorse-1尝试用最简单方式实现训练正循环，使用Qwen3.5 4B和9B模型，将自我改进闭环拆成四个可逐环检查的零件并全部开源。

NeoHorse基于Harness训练AI模型分四步：第一步保留Agent的“推理-行动-反馈”链条，保存完整交互轨迹并切成训练单元，主语料库含十万到百万条脱敏轨迹。第二步判断轨迹可用性，用确定性规则检查结构，再从目标达成、指令遵循等六维度语义评估。第三步用Router预测的能力需求进行课程学习，按C0到C3分层作为难度信号，分三阶段推进训练。第四步采用路由引导的On-Policy Distillation，学生先做题，教师沿学生实际位置提供监督。最后评估形成“能力短板地图”，下一轮数据向短板倾斜，构成RSI闭环。

评测显示，4B模型平均分从58.94提高到64.87，9B从65.60提高到69.04。NeoHorse-1-4B综合结果接近Qwen3.5-9B基座。提升主要集中在流程清晰、反馈可验证的任务上，但长时间状态保持等任务仍吃力。行为层面，票务日报任务中NeoHorse主动补取证据，19张工单匹配率达100%；五子棋网页任务中按顺序落子正常。后训练补上执行链条关键一环，但未抹平能力边界。