Anthropic公开RSI落地方法论：Claude主导26%研发与3万Agent监控

近期，Anthropic 发布长文公开了内部 RSI（Recursive Self-Improvement，递归自我改进）的落地方法论：AI 在多大程度上主导下一代 AI，研发自动化指数以及对 3 万个 AI Agent 的监督。

要理解 Anthropic 的这篇 RSI 博客，不能不提近期的一篇重量级综述。

Recursive Self-Improvement in AI: From Bounded Self-Refinement to Autonomous Research Loops

该综述系统梳理了 2024–2026 年间 1,250 篇论文，是迄今对「递归自我改进 RSI」最完整的一次测绘。最直观的事实是：这个领域的膨胀速度本身就在指数化——论文数量飙升。

图 1：RSI 相关 arXiv 论文的季度产出（对数坐标）与类别占比变化，2026Q2 达 501 篇。

Claude 已「主导」26% 的模型研发

Anthropic 构建了「研发自动化指数」，采用 Epoch AI 的六级自动化量表（AL）：

等级	含义
AL0–AL2	无 AI / 极少 AI / AI 辅助——主体工作仍由人完成
AL3	AI 协作：在人类密切指导下完成大块工作（遇到问题会停下来等人决策）
AL4	AI 主导：从高层提示端到端完成任务，人类只做监督（如审查报告、决定是否部署）
AL5	完全自主：AI 自行监控、修复并部署，全程无需人类介入——尚未达到

核心发现（截至 2026 年 8 月）：没有任何研发子集达到 AL5；Claude「主导」（AL4）了 26% 的 AI 研发工作；「AI 协作」及以上占比超过 90%。

这张图最震撼的不是绝对值，而是斜率：AL4 占比 2026 年 3 月仅 1%，4 月 3%，5 月 12%，7 月 22%，8 月已达 26%——半年内从几乎为零飙升至四分之一，低自动化等级的工作整体向上迁移。

图 2：Claude 目前主导了 26% 的模型研发工作——Anthropic 模型研发任务月度自动化等级分布，垂直短线为 90% 测量区间，来源 Anthropic R&D Automation Index v2026.07

这篇 RSI 综述也对「自我改进」进行了详细拆解：

• 系统改进什么（部署行为 / 训练权重 / 评估器 / 研究过程本身），与环路由谁验证（人在环中 → 人在环上 → 完全闭环），
• 并由此划出全领域的核心分界：有界自我改进（bounded self-refinement，针对固定外部标准、可收敛、已是工业实践）与开放式递归自我改进（RSI，连改进标准本身也被改写、原则上发散）。

图 3：RSI 综述的双轴分类网格。文献主体集中在「人在环上」一行；右下角「自动研究 × 闭环」是开放式 RSI 风险最集中的格子。来源：arXiv:2607.07663, Figure 1

1,250 篇论文在四个技术类别上的分布如下：

类别	改进对象	论文数	2026 年发表占比
部署时自我演化	输出、测试时权重、脚手架/技能	393	74%
训练时自我迭代	自奖励 RL、自蒸馏、自博弈	340	69%
自我评估	裁判、过程奖励模型、验证器	318	82%
自动研究	AI 科学家、演化式程序发现	139	76%

按这个坐标系，Anthropic 的 26% AL4 属于典型的「人在环上」——改进信号自动生成、人类审计把关，这正是当前文献的主体所在。综述援引 Anthropic 自己的判断也与此吻合：「执行」环节已高度自动化（截至 2026 年 5 月，Claude 撰写了 Anthropic 超过 80% 的合入代码），真正的瓶颈卡在「研究方向设定」——选择什么问题值得做。这也解释了图 2 中 AL5 为何缺席：执行可以自动化，品味不能。

3 万个 Agent、10 亿次决策、0.002% 拦截率

Anthropic 员工越来越依赖可长时间半自主工作、且互相委派任务的 Agent。单个 Agent 失当目前罕见，但当 Agent 规模达到百万、十亿级，罕见事件就会常态化。为此定义三个指标：覆盖率（行为经过监控的比例）、审查延迟（从行为到复核的时间）、升级率（被拦截或标记的比例）。

表 1：Anthropic 的 Agent 双层监控体系

职责	在线监控器	离线监控器
覆盖率	100% 行为在执行前经过监控（通常数秒内）	100% 行为在事后被收录
审查延迟	行动前自动审查；被拦截行为一周内人工复核	每周标记约 10 万份记录，分类器初筛后约 50 条升级人工审查
拦截 / 升级率	8 月逾 10 亿次决策中 0.002% 被拦截（约 1/47,000）	每 1000 份记录标记约 1–2 份

核心发现（截至 2026 年 8 月）：其最常用内部平台上任意时刻约有 30,000 个 Agent 在从事研发工作，行为受双层监控。

监督的本质是一个「评估器」问题。为什么「裁判」的可靠性如此关键？RSI 综述给出了迄今最清晰的理论框架：它把自我评估单列为与部署、训练、自动研究并列的第四大类（318 篇，2026 年新增最快的方向），理由一针见血——每一条自我改进环路，本质上都是「某个信号可以替代人类判断」的声明，环路的天花板就是该替代品的质量。综述将评估信号排成一条验证层级，越往上信号越可靠但覆盖面越窄，越往下越便宜但越容易被钻空子：

图 4：验证层级——形式化验证器 > 执行反馈 > 学习型裁判 > 内在信号；失败模式集中在底部梯级，而「人类研究判断」是自我改进尚无法攀爬的那一级。来源：arXiv:2607.07663, Figure 5

经验规律是：已验证的自我改进强度严格沿此层级分布。FunSearch、AlphaEvolve 之所以成功，正因为站在层级顶端（程序可执行、结果可检验）；而「AI 科学家」系统之所以产出流畅却难以审计的论文，是因为在用第三层工具（LLM 裁判）解决第四层的问题（研究品味）。

FunSearch：基于 LLM 的程序生成与评估流程图

Anthropic 的自动化评级让 Claude 裁判 Claude，正落在「学习型裁判」这一级——综述称之为自我确认循环：生成器与评估器共享权重时，高置信错误会被系统性过度奖励，奖励黑客只是特例，该模式无需攻击者即可自发产生。

Anthropic 在方法附录中用「模型与人类评级一致率 59% vs 人类彼此 35%」来对冲这个质疑，这个校验设计本身就是在向验证层级的上方攀爬。

RSI 才刚刚开始，Claude 在持续自我进化。

https://www.anthropic.com/institute/measuring-pace-of-ai-development
https://arxiv.org/pdf/2607.07663
Recursive Self-Improvement in AI: From Bounded Self-Refinement to Autonomous Research Loops