产品
读了一堆 RSI（递归自我改进）论文，感觉绕来绕去，还是 RL 和进化搜索里的几个老问题： 1. Sampling：怎么高效地找到值得尝试的改动？ 2. 评测：怎么判断新 variant 真的变好了？ 3. 多样性：怎么避免过早收敛，越进化路越窄？ 这些方法不全是 RL，但换成“自进化”的名字，也没让这些问题消失。 所以我们做了 Gear。框架采用受 Meta-learning 启发的双层结构：内层 Agent 执行任务、产生轨迹；外层…
读了一堆 RSI（递归自我改进）论文，感觉绕来绕去，还是 RL 和进化搜索里的几个老问题： 1. Sampling：怎么高效地找到值得尝试的改动？ 2. 评测：怎么判断新 variant 真的变好了？ 3. 多样性：怎么避免过早收敛，越进化路越窄？ 这些方法不全是 RL，但换成“自进化”的名字，也没让这些问题消失。 所以我们做了 Gear。框架采用受 Meta-learning 启发的双层结构：内层 Agent 执行任务、产生轨迹；外层 Meta Agent 根据轨迹和评测反馈，改进提示词、工具、工作流和上下文管理。 我们将搜索决策与执行、评测流程分离，想做 RSI 领域的 scikit-learn，让 GEPA、RRSI、Harness² 这类算法更容易实现和比较。目前已经实现了一个包含共享失败诊断和分阶段评测的 GEPA 变体。 固定使用 GPT 5.6 Luna、medium 推理档位，任务通过率如下： | 任务集 | 原始 DSH | Gear 优化后的 DSH | | --- | ---: | ---: | | AutomationBench Marketing | 27.0% | 40.0% | | AutomationBench Support | 17.0% | 25.0% | | Terminal-Bench 2.1 | 52.8% | 62.9% | 在 Marketing 的 max 档评测中，Luna + 优化后的 DSH 达到 88.88% 的目标完成率，高于 Astra + Codex 的 84.08%。不过，严格任务通过率是 53% 对 57%，优势体现在部分目标完成度上。 另外，两种模型同用优化后的 DSH、同为 max 档时，Luna 单任务 API 等价费用估算为 0.0568 美元，Astra 为 1.1858 美元，低约 95%，不含优化和基础设施开销。
讨论这个产品