RSIAgent：新环境下智能体的递归自我演进 靠自我试错击败GPT6

RSIAgent 是一种专为数字智能体设计的无需训练的多智能体自我改进框架，旨在解决预训练模型在面对未知软件环境和工具时的适应性难题。该框架通过课程智能体、执行智能体与验证智能体的协同工作，模拟人类“探索-实践-总结”的学习过程，从而自主构建可重用的环境知识记忆。其核心采用先广后深的探索策略，首先通过并行探索建立对环境的整体认知，随后通过深层迭代攻克复杂约束与边界条件。实验结果证明，RSIAgent 能够显著提升开源模型（如 Kimi-K3 和 GLM-5.3）的性能，使其在 OSWorld-v2 等基准测试中超越 GPT-6 等顶级闭源模型。这种方法无需更新模型参数，仅靠持久化存储和因果关系发现即可实现跨任务的自我进化。最终，这种通过自主探索形成的记忆被冻结并直接用于下游任务，有效地缩小了开源与闭源基础模型之间的能力差距。