字节联合开源RSIHub：Agent自进化统一实验底座，策略可组合

最近，字节跳动、上海交通大学、加州大学伯克利分校等机构联合开源了框架 RSIHub，把 AHE、Hyperagents、A-Evolve 和 GEPA 等进化方法接入到同一套执行与评测流程里。

有 X 用户在介绍这项工作时，把它的定位类比成深度强化学习时代的 Gym，或者分布式训练中的 PyTorch Lightning：把算法与底层设施分开，让研究者能把精力集中在进化策略本身。

这个类比点出了 RSIHub 要解决的问题。Agent 已经能自己改 Prompt、补技能、调整运行代码，但不同进化方法通常各搭一套系统，方法越来越多，到底谁更有效，反而很难放在同一条件下比较。RSIHub 做的事情，就是把这些尝试搬到共同的实验条件下。

例如在 Terminal Bench 2 上，MiniSWE 的 pass@1 最高可以提高 13.5 个百分点。但换一个 Agent、换一类任务，领先的方法可能就变了。有些版本总体成绩涨了，没参与修改反馈的保留任务反而出现退步。

让 Agent 自己改，已经有了多种方案；怎么判断它改得更好，正在成为新的研究重点。

01 一份 Recipe：组合不同进化方法

Agent 执行失败后，开发者通常会检查轨迹，然后修改提示词、工具、记忆或重试逻辑。Agent进化方法尝试把这套调试工作自动化：根据执行反馈提出修改，再测试新版本。

但不同进化方法的重点并不相同：有的优化提示词，有的积累技能，有的直接修改 Agent 代码；如何选择旧版本、如何分析失败、如何保留新版本，也各有设计。

RSIHub 把这些方法里重复出现的流程拆开，整理成七个阶段：选择父代、执行任务、分析轨迹、提出修改、检查边界、评测，以及吸收结果。具体每一步怎么做，由不同的算子负责；Recipe 则负责选择这些算子，并配置它们的工作方式。

比如同样是挑选父代，可以沿着当前最高分版本继续修改，也可以根据多个目标保留不同候选；同样是分析失败，既可以使用完整轨迹，也可以先整理成更紧凑的修改依据。这些差异，都可以成为单独测试的对象。

项目提供了 A-Evolve、AHE、GEPA 和 Hyperagents 等配方，分别覆盖提示词与技能优化、Harness 修改，以及目标 Agent 与部分进化策略的共同演化。对研究者来说，测试一个新想法，不必再从候选版本管理、任务执行和结果归档开始重做，替换某个环节之后，可以继续沿用其余实验流程。

02 改不动了，“怎么改”也可以调整

自动修改 Agent，仍然离不开一套预先设计的改进方法。选哪个版本继续尝试、给修改者看哪些反馈、失败后是否保留经验、什么时候放弃一条路线，这些选择都会影响最后能发现什么结果。RSIHub 为这部分策略调整提供了接口。

一种方式，是把选定的进化算子放进允许修改的范围。这样，候选版本变化时，负责分析或提出修改的部分代码也可以跟着变化。Hyperagents 配方支持的，就是这类共同演化。

另一种方式发生在两轮迭代之间：由外层 Agent 根据允许使用的反馈，调整下一轮 Recipe 中的算子绑定和策略设置。

简单说，前者修改组件实现，后者调整组件的选择与配置。于是，一次失败可以有两种处理方向：继续修正执行任务的 Agent，或者重新检查产生修改的策略。这也让递归自我改进有了更具体的研究入口——系统可以尝试改进任务执行方式，也可以研究怎样提高后续改进的效率。

但这些修改都有边界。Recipe 需要声明哪些资源允许变化；评测器和认证结果记录由框架控制，候选版本不能通过修改评分规则来获得更高成绩。框架还会检查实际文件差异，然后从干净的候选快照开展评测。可以尝试更多修改，但每次涨分到底对应什么版本、什么测试条件，仍然要能查清楚。

03 最高提升 13.5 个百分点，换个任务结果就变了

研究团队选择 MiniSWE 和 Codex 作为初始 Agent，在 Terminal Bench 2 与 τ³ Banking 上比较四种进化配方。目标模型统一使用 GPT-5.4 high，负责提出修改的 Agent 使用 GPT-5.4 xhigh，每次进化最多运行 10 代。

最明显的增益出现在 Terminal Bench 2 的 MiniSWE 设置中：Hyperagents 和 A-Evolve 都把整体 pass@1 从 56.2% 提高到了 69.7%，增加 13.5 个百分点。换成初始成绩更高的 Codex，提升幅度明显缩小，AHE 取得最高结果 71.9%，比初始版本增加 2.2 个百分点。到了 τ³ Banking，AHE 把 Codex 从 24.7% 提高到 34.0%；MiniSWE 则由 Hyperagents 取得最高整体成绩，从 27.8% 提高到 33.0%。

换一个起点、换一类任务，领先的方法就可能变化。

再看封存保留任务，结果还要复杂一些。这部分任务不参与修改反馈，专门用来检查改进能不能迁移到未见任务上。在 τ³ Banking 的 MiniSWE 实验中，Hyperagents 虽然提高了整体成绩，封存保留任务上的表现却下降了；AHE 和 GEPA 在这一设置中，也出现了保留任务退步。

总分上涨，可能伴随着部分能力损失；参与优化的任务做得更好，并不能直接说明新任务上的表现同样改善。所以，实验需要同时看两件事：修改有没有带来收益，这些收益能不能迁移。

RSIHub 保留的候选历史、执行轨迹与结果记录，正是为了让研究者继续排查：哪些改动修复了问题，哪些改动引入了退步，下一轮是否应该换一种策略。

04 Agent 自己改，还得证明改对了

从优化Prompt、积累Skill，到修改 Harness，Agent 正在接手越来越多原本由开发者完成的调试工作。RSIHub 进一步把这些尝试接入共同流程，也为调整部分进化策略提供了接口。

论文实验表明，自动修改能够在部分设置下带来明显提升，但效果取决于初始 Agent、任务和具体方法。总分上涨的同时，保留任务也可能退步，持续进化还不能等同于持续变强。

RSIHub 提供了一套继续研究这些问题的基础：替换策略、比较结果，沿着版本记录检查改动。当 Agent 开始参与开发下一代 Agent，哪些经验值得保留、哪些修改能够迁移，会直接影响这个循环能走多远。

关于 Agent 自进化和可组合实验框架的更多讨论，也可以继续留意 云栈社区 上的相关动态。