把正则化装进智能体外壳的自我进化：RRSI 如何让递归自我改进真正迁移

把“外壳进化”的过拟合识别为递归自我改进的核心问题，并指出其来源是基准特定拟合、追逐评测噪声与复杂度累积三类耦合行为。 以往的外壳进化方法以进化集分数为唯一驱动力，本文把泛化问题显式提出来，并把它定义为“进化出的外壳迁移到任务描述、工具接口或验证器不同的未见基准”。 论文以问题定义与机制分析为主，并引用近期关于进化与留出表现存在差距、以及增量归因区分可复用机制与任务拟合的研究作为支撑。

提出 RRSI，在提出端用退火编辑预算、证据感知的信用分配与结构化探索约束搜索，在筛选端用泄漏审查、噪声调整下限与复杂度感知接受规则约束保留。 与限制“可以改什么”的做法不同，RRSI 保持编辑空间开放，转而正则化搜索轨迹本身；作者把编辑预算类比为基数约束、结构剪枝类比为 Lasso 式稀疏化、复杂度感知接受类比为 Ridge 式收缩，并说明这是角色类比而非求解相应范数惩罚目标。 方法在正文与附录中给出轮级形式化、原子编辑表示、编辑历史与组件级摘要、噪声下限与接受条件，并给出各实例的超参数取值表。

在八个基准、三个领域上，RRSI 在进化集与全部留出划分上均有提升，且没有留出划分出现回退。 进化集增益为 Terminal-Bench 2.1 的 6.0 分、EngDesign 的 4.9 分、Harvey LAB 的 1.1 分；迁移方面 SWE-bench Verified 提升 1.8 分、Harvey LAB 同分布留出提升 2.3 分、三个分布外智能体基准提升 3.5 至 4.7 分（7.2% 至 13.1%）、Frontier-Eng 提升 4.3 Medal 分（相对提升 24.3%）。 每个数字都与未进化基线在同一窗口内测量，使用相同工具环境、相同评判者与相同试验次数；Harvey LAB 的 160 个任务一次性划分为 120 个进化任务与 40 个留出任务并固定。

正则化带来的是迁移与成本的双重收益：RRSI 是所比较的进化外壳中最轻的一个，且消融显示去掉任一组正则化都会抬高进化集分数、降低迁移。 去掉接受端约束后进化集从 90.5 升到 91.5，而分布外平均从 43.6 降到 41.0，token 成本上升约一半；去掉提出端约束在进化集只损失 0.2 分但分布外损失 1.7 分；两组都去掉时进化集达到最高的 92.8，分布外平均 40.3，接近未进化外壳，且每试验 3.80 百万 token，而 RRSI 为 2.42 百万。 消融在智能体工作区实例上进行，各臂共享基线外壳、策略、进化划分、轮数与候选预算；成本以每试验策略 token 与轨迹步数衡量，RRSI 为 26.3 步，对比方法为 27.3 至 34.6 步。

该结果面向骨干模型冻结、以外壳为优化变量的设定，适用于编码、智能体工作区与工程设计三类任务，并已在两个策略家族与一个未参与搜索的较小骨干上验证迁移；对希望自动化外壳工程、又需要控制推理成本的团队，它提供了可复用的约束式搜索配方。

作者在局限中说明，研究不涉及进化过程中更新模型权重的设定，方法仍依赖有限的进化集与若干正则化超参数，效果可能取决于反馈信号质量与搜索预算；更广泛地推广到差异很大的智能体架构、工具生态与更长周期的自我改进过程仍需验证。此外，本次读取为全文，但图表与附录中的部分数值以文本形式呈现，若需精确复现实验细节仍应查阅原文与项目网站上的逐轮记录。