【第759期】Prime Agent：自我优化的递归语言模型框架

今天的这篇的主题是： Prime Agent: A Self-Improving RLM Harness Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。 如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。 联系小助手微信：eccstartup（加群/投稿论文） Summary 语言模型本质上是序列处理器，但长时程智能体任务需要超越模型权重和当前活跃上下文的外部信息与计算能力。Prime Agent 是一个开源的智能体运行框架（Harness），面向长时程评估和编程智能体工作流。 其持久化 IPython REPL 遵循递归语言模型（Recursive Language Model，RLM）的抽象，通过编程方式实现上下文处理和测试时计算（Test-Time Compute）；与此同时，持续性 Harness（Continual Harness）能够跨执行轨迹保留历史记录、记忆、技能、提示词以及子智能体规格。 递归子智能体通过智能体之间的直接通信进行协调，而 Agents View 则允许人类检查和管理由守护进程支持的会话。 Prime Agent 对执行、恢复、验证和资源核算进行标准化，同时将策略构建交由模型自主完成。这一低摩擦、高表达能力的中间层能够防止 Harness 层面的故障转化为模型层面的失败，并推动评估更加接近模型底层能力的真实上限。 Prime Agent 将 ARC-AGI-3 RHAE 的 Best@1 成绩从 30% 提升至 95.5%，并在长上下文编程、GPU 内核生成、模拟器构建以及自主 nanoGPT 速度挑战等任务中，达到或超越原生 Harness 和主流 Harness 的表现。 在 Factorio 环境中，我们发现，持续优化（Refinement）能够支持科技进度的不断推进，而专用子智能体则能够实现任务的并行处理。 原文链接：https://arxiv.org/abs/2608.23552 前往小宇宙评论区与主播互动