少改几行提示词，就能让 Claude Opus 的代码任务胜率反超 ultracode

你有没有过这种体验：在 Codex / Claude Code 上调教自家 Agent，琢磨了一晚上 prompt，把"先列计划再写代码"改成"先拆子任务再汇总"，结果跑出来的任务完成质量忽上忽下，成本还翻了一倍？

更扎心的是——你花了几小时调的 prompt，可能还不如官方直接开 xhigh 或者 ultracode 推理档位来得稳定。

Sakana AI 和 UC Berkeley 联合发表的 Recursive Harness Self-Improvement（arXiv 2607.15524，下文简称 RHI）就是冲着这个问题去的。它的核心命题很直接：

对于一个固定的 coding agent，只改 prompt 里的 harness 描述，几轮迭代之后就能让它的胜率反超同款模型加 xhigh / ultracode / max 这些高推理档位，而且总成本还能砍掉最多 60%。

听起来像在卖焦虑+许愿，对吧？我第一反应也是："不可能吧，提示词优化收益一般 5% 顶天了。" 但看了论文 30 个跨域任务的实验和组件级消融之后，我承认它提出的"轨迹局部自比较"思路确实打中了一个被忽略的优化维度——信息路由（information flow），而不是生成更长的推理。

先抛个一句话的判断：这篇论文做的是第一半的回路（harness 怎么改），不是第二半（改完 harness 产生的高质量 trace 怎么回流训练下一代模型）。这意味着它在系统层面是个"效率优化器"，不是"自我进化算法"。定位要拎清楚，再看细节。

🎯 一句话看完整篇

RHI 把"agent 的 harness"当成一个纯文本对象来编辑：用当前 harness 的输出和上一版输出做一次 LLM-as-a-judge pairwise 比较，把偏好塞进历史，再用 LLM 改写下一次 harness——每轮 1 次执行 + 1 次评估，开销恒定为 \(O(1)\)，比 Meta-Harness / Self-Harness 这类需要维护候选集（\(\Theta(m^2)\)）的方案便宜几个数量级。3 轮以内，opus-4.8-high 加 RHI harness 就能在 30 个跨量化金融 / 机器人 / 药物 ML 任务上击败自家 opus-4.8-ultracode，且推理成本降 60%、cache 读写降 64%。

📖 论文信息

注：Matei Zaharia 是 Databricks 创始人，框架作者。Yujin Tang 是 Sakana AI 的研究人员。这个组合既懂学术也懂系统。

🧠 问题动机：模型-系统正在"共同进化"，但没人认真优化过系统这一侧

最近一年 agentic coding 的进展越来越多地来自模型（model）和系统（harness）的共演化，而不是单纯把模型训大。一个直观的观察是：

• 模型升级 → 用户能写出更强的 harness
• 更强的 harness → 生成更结构化、信息密度更高的执行 trace
• 更高质量的 trace → 可以当作下一代模型的 post-training data

这就形成了一个递归反馈环。在 Sakana AI 的视角里，trace 质量才是这个环的真正瓶颈——你 trace 里多堆点无关上下文，模型就要多烧 token 在过滤噪声上；trace 缺了关键证据，下游训练出来的模型就缺一条信息通路。

但优化 harness 这件事，在工业界有两条路都不好走：

1. 改 provider-built harness（OpenAI / Anthropic 自家的 agent loop）：要兼顾所有用户、任务、场景，更新一次是几个团队几个月的工作量。你想给自己私有任务调个 harness，等官方发版是不现实的。
2. 暴力搜索 user-constructed harness（Meta-Harness、Self-Harness、TTHE、AlphaEvolve 这些）：每多一个候选，就要多跑一次完整的 black-box agent 执行 + 评估，开销是 \(\Theta(m^2)\)。当 \(m\) 是个 30 任务的 batch 时，单位任务优化预算根本撑不住。

RHI 切中的是第三条路：轨迹局部自比较（trajectory-local self-comparison）——只看自己和上一版差多少，不看整个候选池。在 30 个任务上，它声称只要迭代 1-2 轮就能把 harness 改到接近 \(\Theta(m^2)\) 暴力搜索的水平。

这个设定我之前没见有人把"成对比较"做到如此极致——Self-Harness 至少还要维护一条回归测试，Meta-Harness 要维护 Pareto 前沿。RHI 把所有这些都砍掉了，只留一个"上次 vs 这次"的偏好对，再让 LLM 当优化器。

坦率说，我看到这里的时候心里嘀咕了一句："这跟 sequential refinement + LLM judge 有啥本质区别？" 答案是——本质区别不在"对比"这个动作本身，而在对比信号用在哪里。RHI 的 pairwise feedback 不是用来选 best-of-N 的，而是用来改 harness 这个 meta-object 的。这是一个"meta-level learning"的姿势。下一节展开说。

🏗️ 方法核心：把 harness 当成"被编辑的 prompt"

3.1 算法一眼看明白

下图就是 RHI 的全部精髓，5 步走一圈：

图1：RHI 的 5 步循环。① 把 task + harness 拼成 prompt 喂给 coding agent；② agent 产出一个 repository（output[i]）；③ LLM 评估器把 output[i] 和 output[i-1] 做 pairwise 比较得到 preference feedback；④ 把这个 feedback 存进 self-comparison history；⑤ harness optimizer 用历史改写下一次 harness。

关键的几点：

• 每轮开销恒定：1 次 agent 执行 + 1 次 LLM pairwise 评估，\(O(1)\)，跟候选集大小 \(m\) 无关。论文里的对比表（Table 1）把这个账算得清清楚楚：

• 不存 loss、没梯度：harness 空间是离散的（文本），所以 \(D_x^{(i)}\) 不是真的梯度，而是"语义上的动量信号"。论文里原话是 momentum-semantic signal——我第一次看到时也皱眉，但仔细想想，跟 GEPA 的 Pareto frontier 维护、TextGrad 的"自然语言梯度"在精神上是一脉相承的，区别是 RHI 的信号最瘦。

• 评估器和优化器都没有"看到"评估标准：评估器 \(\mathcal{L}_{\text{eval}}\) 知道 \(x_{\text{eval}}\)（要评哪些维度），但 harness optimizer \(\mathcal{L}_{\text{harness}}\) 拿到的只有当前 harness 和偏好历史。这意味着 \(x_{\text{eval}}\) 是通过偏好信号间接传递的，这是一个相当聪明的设计——避免了"优化器直接对着评估器走捷径"的潜在问题。

3.2 Harness 本身的结构：roles、instructions、contracts、hops 四件套

要把 harness 当成 prompt 来改，首先得知道它长啥样。论文把 harness 拆成两个一级组件、四个二级组件：

图2：Harness 分解。Agent Design = role + instruction（每个 agent 的身份和行为描述）；Agent Workflow = contract + hop（子 agent 和 orchestrator 之间传什么、按什么顺序交互）。RHI 的优化器在系统 prompt 里被显式要求"重点打磨 contract 和 hop"，不重点改 role。

为啥重点打磨 contract 和 hop？论文给了一个非常优雅的直觉——contract 决定子 agent 之间传什么信息，hop 决定这些信息按什么顺序流。如果把"全量同步历史"比作 dense attention（每个 token 看见所有 token），那 task-specific contract 就相当于"学了一个 task-dependent 的 attention sparsity mask"。这跟 Longformer / BigBird 的 sparse attention 是一个精神，但发生在 prompt 层面。

更有意思的是，作者声称当基础模型足够强时，agent 往往不真的"开多个子 agent"，而是在单 agent 内部做多 persona 推理。也就是 harness 上写的多 agent 拓扑，最后落地时是一个 model 内化了多 persona 的协作——这是更现实的工程场景，system 层的 multi-agent 描述更多起到"信号引导"作用。

这个观察让我对 harness 的认识更深一层：它不是系统拓扑的源码，而是一种"对模型行为的软提示"。把它当 prompt 改，跟传统 DSPy 那种优化"单个 prompt 模板"是一回事，只不过优化的对象规模更大、结构化更强。

3.3 为什么"几次迭代"就够？

论文里有个我差点没注意的细节：\(s_i < \epsilon\) 就 break（Algorithm 1 第 260 行）。也就是 RHI 会监控"这一轮 harness 相比上一轮的胜率增量"，如果低于阈值就停。

这意味着 RHI 的"few-iteration"是自适应的——不是硬编码迭代 3 次就完事，而是看边际收益。论文里 sonnet-4.6 跑到了 5 次、opus-4.8 跑到了 3 次就饱和。

这个设计的好处是：它把"够不够好"这件事外包给了 pairwise judge。你不告诉它"几轮收敛"，让偏好信号自己决定何时停。这跟 gradient descent 的 early stopping 在精神上类似。

🧪 实验结果：3 轮打败 ultracode，成本砍六成

4.1 主实验：所有 base model 上 RHI 都赢

先看全家福。这张是论文首页图，6 个 panel 把 sonnet-4.6 / opus-4.7 / opus-4.8 三个 base model vs 各自最强 TTS（test-time scaling）档位的对比全画在一张上：

图3：RHI 在三个 base model 上对不同 TTS baseline 的成对胜率（绿色条）。柱子高度=30 个任务中赢的个数（max 30），灰色背景=对手赢+平局。橙色线=归一化成本。皇冠标记的是赢>19.5 的"显著胜利"。上排 sonnet-4.6 vs max、opus-4.7 vs xhigh / vs max；下排 opus-4.8 vs xhigh / vs max / vs ultracode。

关键观察（左下角 sonnet-4.6 vs max）：

• H[0]（也就是初始 harness）只能赢约 11/30，明显弱于 sonnet-4.6-max（约 16 赢 + 14 输）
• H[2]（2 轮 RHI 之后）反超，赢 20/30 输 10/30
• 之后 H[3]、H[4] 保持优势，但胜率不再单调上升

最戏剧化的是右下角 opus-4.8 vs ultracode：

• H[2] 赢 23/30 输 7/30
• 同时成本只有 ultracode 的 40%（橙色线下沉）
• 论文里那个 "↓60%" 标签就是这里

这意味着：对于最强 base model（opus-4.8），加 RHI 反而比开内置的 ultracode 多 agent 编排更有效，而且便宜一大截。这个结论我反复读了几遍确认不是误读——它不是"和 ultracode 打平"，是"显著超过"。

4.2 单模型细节：opus-4.8 跑完整段

为防止主图太密看不清细节，论文里给了 opus-4.8 的完整 0/1/2 轮迭代 vs 三个 baseline：

图4：opus-4.8-high + RHI 改进的 H[2] vs opus-4.8 的 xhigh/ultracode/max。左图是 gpt-5.5-max 当 judge，右图是 opus-4.8-xhigh 当 judge。绿色=win，红色=loss，灰=平局。两种 judge 下都是绿色大幅领先。

这张图说明了 RHI 的结论对 judge 不敏感——gpt-5.5-max（不同模型家族）和 opus-4.8-xhigh（同家族高推理）这两个 judge 给了基本一致的偏好。这点很重要，因为"用 GPT 评 Claude"经常被怀疑有家族偏见，RHI 至少在这两个 judge 上没翻车。

4.3 成本明细：cache 读写降一半以上

性能好不是白来的——RHI 在资源维度也站得住：

图5：opus-4.8 各配置的归一化 cost / output / cache 读写（以 opus-4.8-high = 1 为基准）。三组柱状分别对应 xhigh、max、ultracode 三个 baseline，以及 H[0]、H[1]、H[2] 三轮 RHI 改进。绿色虚线是 ultracode 高度，橙色虚线是 max 高度。

几个硬数据：

• H[2] 归一化 cost = 1.69，ultracode = 4.15 → 省 60%
• H[2] 归一化 output token = 1.65，ultracode = 3.57 → 省 54%
• H[2] 归一化 cache 读写 = 1.69，ultracode = 4.74 → 省 64%

注意一个反直觉的点：output token 没有增长。常规"加 multi-agent"会带来协调 overhead（多了子 agent 各自的解释、评判、投票），output token 会涨。但 RHI 的 H[2] output token 跟初始 H[0] 几乎一样（1.42→1.81）——这恰好说明 RHI 不是靠"多生成长推理"赢的。

4.4 sonnet-4.6 那条线：弱模型也能拉

为了证明结论不挑 base model，看一下 sonnet-4.6 的结果：

图6：sonnet-4.6-high + H[i]（i=0..4）vs sonnet-4.6-max 在 30 个任务上的成对胜率。两种 judge（gpt-5.5-max / opus-4.7-xhigh）一致显示 H[2] 之后稳定胜出。

图7：sonnet-4.6 归一化资源。H[2] cost=2.38，max cost=2.56，省 7%；H[2] cache 读写=3.31，max=4.91，省 33%。

sonnet-4.6 的节省幅度比 opus-4.8 小（cost 只省 7%），但胜率提升在 2-3 轮之后就稳定。这暗示 RHI 的性价比对弱模型反而更敏感——你用 sonnet-4.6 加 RHI 拿到的 7% 成本节省 × 60% cache 节省，仍然是实打实的优化。

4.5 关键 claim 的数字总结

把三个 base model 拉成表：

数据来源：Figure 1 + Figure 5（opus-4.8）+ Figure 7（sonnet-4.6）+ Section 5.2/5.3 文字描述（opus-4.7）。

🔬 消融：为什么有效？——信息路由，而非长推理

主实验回答了"行不行"，消融回答"为什么行"。这部分才是我觉得 RHI 真正有洞察的地方。

5.1 假设 1：是不是"模型被换强了"？

RHI 作者做了一个诚实的检查：用 sonnet-4.6 + RHI（H[i]）去比 opus-4.7 本身（不加 RHI）。

图8：sonnet-4.6-high + H[i]（i=0..4）vs opus-4.7-high 和 opus-4.7-xhigh。曲线显示 RHI 在 sonnet-4.6 上的胜率随迭代提升，但始终没追平 opus-4.7。

结论：RHI 是 train-time scaling 的补充而非替代。它能拉高同款 base model 的天花板，但没法帮你跳过 base model 的能力鸿沟。

这是必须坦白的一刀切版本：想用 sonnet-4.6 + RHI 干翻 opus-4.8？做不到。

5.2 假设 2：Harness 到底改了什么？

这是消融最有意思的部分。论文用 t-SNE / UMAP 把整个 harness 文本投影到 2D，看 H[0] → H[1] → H[2] → H[3] → H[4] 之间的语义漂移：

图9：sonnet-4.6-high 30 个任务在 5 轮 RHI 下的全 harness 嵌入投影（UMAP / t-SNE × 两种 embedding 模型）。颜色=任务域，黑色描边=初始 H[0]，灰白=后续 H[1..4]。H[0] 跟后续版本在所有 embedding × 投影组合里都明显分簇。

第一个观察：H[0] 跟所有 H[i≥1] 在所有 embedding 模型（OpenAI text-embedding-3-large / all-mpnet-base-v2）和投影方法（UMAP / t-SNE）下都明显分离。这说明 RHI 真的在改 harness，不是在做形式微调。

第二个观察：H[0]→H[1] 的余弦相似度 0.82 是最低的，之后 H[1]→H[2]→H[3]→H[4] 分别是 0.97/0.98/0.99——第一轮改动最大，后续都是微调。这跟主实验的胜率曲线一致：H[0]→H[1] 性能涨得最多。

5.3 组件级别：谁在变？

把 harness 拆成 4 个组件，分别看每一类在迭代中怎么变：

图10：sonnet-4.6-high 在量化金融 30 个任务上的 4 组件嵌入（role / instruction / contract / hop × 2 种 embedding × 2 种投影）。颜色=任务，点形=RHI 迭代轮次。注意 contract 和 hop 的同任务点连成线（同一任务不同轮的演化），role 和 instruction 没有连线。

关键观察：

• contract 聚类最清楚——同一任务在不同 RHI 轮次下的 contract embedding 形成清晰的"任务专属簇"
• hop 也有类似但稍弱的模式
• role 几乎没有任务聚类——所有任务的 role 混在一起
• instruction 中等程度聚类

这跟论文的核心论点直接对应：RHI 优化器在系统 prompt 里被要求"重点打磨 contract 和 hop"，所以这两类组件进化得最显著。

接下来用余弦相似度定量看：

图11：4 组件在 RHI 迭代之间的 cross_cos 余弦相似度（sonnet-4.6-high）。contract 最先达到 0.6+ 高相似度（从 0.48 起步，第二轮就到 0.66），其他组件的稳定化慢得多。role 全程在 0.3 附近。

数值上的硬证据：

• contract 跨轮相似度 0.48 → 0.66 → 0.69 → 0.72（快速稳定）
• hop 0.48 → 0.52 → 0.52 → 0.50（中等稳定）
• instruction 0.42 → 0.66 → 0.66 → 0.66（迭代 2 之后稳定）
• role 0.28 → 0.32 → 0.32 → 0.32（全程变化小）

含义：RHI 学到的是任务专属的 contract（子 agent 之间传什么信息），这跟"长推理"完全是两码事。增长的不是输出长度，而是信息流的结构。

5.4 隐式目标函数：信息论的解释

消融的最后一段是最理论化也最容易被跳过的——论文提出了一个信息论隐式目标作为对 RHI 行为的解释：

图12：RHI 隐式目标。L_harness 优化器同时收到两类信号：f_ext（外部可控，由 harness prompt 决定，倾向于提高 contract/hop 的任务信息量）和 f_int（内部模型依赖，作为"功能特化引导"，抑制跨组件冗余）。

公式：

翻译成人话：

• \(f_{\text{ext}}\)：让被 prompt 强调的组件（contract、hop）跟任务 \(X\) 的互信息尽量大
• \(f_{\text{int}}\)：让所有组件在"已知任务"之后的总相关（total correlation）尽量小——也就是说别让四个组件都说同一件事

论文里把 \(f_{\text{int}}\) 类比成"classifier-free guidance"那种"从无条件和有条件生成中合成引导信号"的做法——这个类比有点飘，但它在数值上确实对应一个观察：role/instruction/contract/hop 在条件于任务之后的冗余度（task-conditional TC）从 4.84 nats 单调下降到 3.63 nats（text-embedding-3-large），从 3.51 降到 2.62 nats（mpnet）。

这个目标函数并不是 RHI 真的在优化的东西——论文明确说 RHI 是 black-box search，optimizer LLM 没看 \(x_{\text{eval}}\)。作者是说：RHI 观测到的轨迹恰好跟这个信息论目标一致。这是一个 a-posteriori 的解释，不是 a-priori 的设计。这一点在 Section 6.3 的开头就明说了。

这让我对论文的诚实度加了分——很多人写"我们提出了一个 X 目标函数"其实是把事后归纳当成了事前设计，RHI 没这么干。

5.5 跟同行的差异

为了防止你怀疑"这不就是 GEPA / Self-Harness / Meta-Harness 的另一个名字"，论文在 Related Work 里正面区分了：

RHI 的核心差异是 每轮只跟自己比，不开候选池。代价是单步信号噪声大，作者用"累积偏好历史"（\(\mathcal{D}_x^{(i)}\)）来补偿——本质是"用 sequential 多次 noisy 比较替代 one-shot 干净比较"。这是 RHI 的核心 trade-off：用时间换覆盖度。

🤔 我的判断：定位是"系统层效率优化器"，不是"自我进化"

读完整篇后我的判断分三块：

6.1 这篇论文最值钱的地方

不是"60% cost reduction"这个数字，而是 "把 harness 当 prompt 改"这个视角。

我之前在 agent 调优上的认知是：想提升 agent 能力，要么换强模型，要么加 inference 算力，要么维护一组 workflow 候选。RHI 给我打开了一个新的角度——你写给模型的那段 harness 描述，本身就是一个可学习对象，而且改它的开销可以做到 \(O(1)\)。

这跟 LangChain/LlamaIndex 那种"workflow as code"的思路完全不同。RHI 是 workflow as text——不编译成代码，纯粹靠 prompt 引导模型做对的事。这意味着：

• 任何支持 prompt 编辑的 black-box agent 都能用
• 不需要 framework 支持
• 失败可观察（harness 文本就是 debugging 入口）

6.2 我对实验的几个保留

第一个保留：benchmark 是 LLM 生成的"任务"。 30 个任务是用 LLM 把 Citadel、Amazon、Genentech 的招聘 JD 改写来的"研究风格任务"。这是个聪明的工程做法，但你要问自己：这些任务的"难度"分布跟用户实际场景匹配吗？ 我自己平时让 Claude Code 干的事远没有这么"结构化"（没有 standardized deliverable，没有完整 metrics.json）。RHI 在这种场景下能不能复现，论文没给数据。

第二个保留：LLM-as-a-judge 的偏好信号可能有偏差。 论文承认用了 gpt-5.5-max 和 opus-4.7/4.8-xhigh 当 judge，并且在不同 judge 上都看到了类似的 RHI 优势，这点我比较服。但 LLM judge 本身对"格式完整、报告漂亮"这种 deliverable 表面特征是有偏好的——RHI 是不是只是"训出了一个更会写 report 的 harness"？论文没拆开来研究。

第三个保留：sonnet-4.6 vs opus-4.7 那一刀切得非常诚实，但反过来也说明 RHI 不是万能。 弱模型 + RHI 不能跨越能力鸿沟。这跟 "RHI 取代 train-time scaling" 听起来差很远——它只是同一款 base model 上的优化器。

第四个保留：作者自己也说了"trace 是第一半"。下一半是"这些 trace 怎么回流到训练"——这是更难也更值钱的回路。RHI 只做了一半的承诺，剩下要等后续工作。

6.3 跟当下 agentic system 趋势的关系

RHI 的位置在 agent 系统的优化栈里大概是：

┌─────────────────────────────────────┐
│ 1. 换更强 base model (train-time)  │  ← 提升能力上限，但贵
├─────────────────────────────────────┤
│ 2. 改 provider-built harness        │  ← 一次改动覆盖全用户，慢
├─────────────────────────────────────┤
│ 3. RHI: 改 user-constructed harness │  ← 本文位置：$O(1)$/迭代
│    （prompt 层）                     │
├─────────────────────────────────────┤
│ 4. 改 test-time scaling (TTS)        │  ← 推理档位高，cost 涨
│    (high → xhigh → max → ultracode) │
├─────────────────────────────────────┤
│ 5. 改 trace → post-training          │  ← RHI 的未来一半
└─────────────────────────────────────┘

RHI 跟 TTS 不是替代关系，是互补——主实验里 RHI 改的是 high 档位，但 RHI 之后的 H[2] 比 max 还强且更便宜。这暗示：TTS 那一层（推理档位）其实是个粗糙的"加推理"旋钮，而 RHI 是更细粒度的"改信息路由"旋钮。工业界未来很可能把 RHI 思路嵌进 provider-built harness，让"xhigh"档位内部就用 RHI 进一步特化。

6.4 如果你也在调 agent，能从 RHI 学到什么

不一定要复现 RHI 算法本身，但有几个可立即借鉴的设计原则：

1. 把 harness 拆成结构化组件（role / instruction / contract / hop）。每次修改时分别打分，能定位"是哪一个组件在拖后腿"。RHI 的核心 insight 就是 contract 和 hop 最重要。
2. 监控"输出了多长"，不要把它当成性能代名词。RHI 的强项在于它不靠增长 output token 就能赢——如果你在优化时只盯胜率不看 token，可能不知不觉在拼"谁生成得更长"。
3. 多次 noisy pairwise 比一次 clean 评分更划算。如果你的评估是 LLM-based 的 pairwise，把预算摊到"多次迭代 × 跟上一版比"通常比"一次 vs 黄金 baseline"信息密度更高。
4. 优化器不要看到评估标准。RHI 的 L_harness 不读 x_eval，只看偏好历史——这个解耦很关键，避免"优化器 hack 评估器"。

📚 写在最后

RHI 的故事讲得直白：在固定的 base model 上，靠修改 harness 文本就能把 agent 在开放任务上的胜率从 11/30 拉到 23/30，cost 砍 60%。这听起来像是"魔法 prompt engineering"，但论文用组件级消融证明它不是——RHI 学到的是任务专属的 contract 模板，是信息路由的结构性优化，不是 prompt 玄学。

如果让我给这篇论文打一个工程师视角的实用分：

• 学术价值：高。提出了一个干净的 \(O(1)\) 优化视角，并且在 30 个任务上证明可行。
• 工程价值：中高。算法本身可以几小时复现（用 LangChain 的 ReAct + LLM judge 就能搭个 demo），但要复现到论文里的胜率需要认真的 prompt 工程。
• 直接可用度：中。Sakana AI 没开源代码（截止我读这篇时），需要自己实现。但 "harness as text + LLM pairwise judge" 这个范式任何人都能马上试。

最有意思的副产物其实是那个信息论隐式目标——它给"多 agent 系统的优化"提供了一个新的形式语言：最大化任务互信息 + 最小化跨组件冗余。如果这个框架被后续工作验证或者推广，RHI 就会从"一个很酷的方法"变成"一个可推广的范式"。

论文在最后一段说："Future work will complete the second half of the loop by investigating how the resulting execution traces can be effectively internalized into future foundation models." ——这是更重要的那一半。如果 RHI 产生的 trace 真的能提升下一代模型，那就是真正意义上的 self-improvement loop，而不只是一个 inference-time 的工具。

Sakana AI 的研究品味一直很"系统流"——之前的论文很多是从系统角度找突破口，而不是单纯刷 benchmark。这篇 RHI 延续了这个风格，给 2026 年 agentic system 的"训练-部署"缝隙提供了一个轻量级的实用桥梁。

🔗 链接

• 论文 arXiv：https://arxiv.org/abs/2607.15524
• Sakana AI：https://sakana.ai

觉得有启发的话，欢迎点赞、在看、转发。跟进最新 AI 前沿，关注我。