openJiuwen首发双维度RSI框架，AI自修改，落地办公智能体，算力亲和助力又快又省

让智能体完成一次任务已经不难，难的是让它从每一次任务中学会改进。当前多数智能体还是 "交付即定型"：遇到失败，需要人工复盘日志、修改提示词、补充工具、再重新测试。调优成本高、周期长，有效经验也难以积累。

这正是 RSI（Recursive Self-Improvement，递归自我改进）要解决的问题。 它不是让模型自己训练自己，而是让智能体从真实任务反馈中生成改进方案、执行验证、保留有效改进，帮助智能体持续优化。

早在今年 6 月，由华为 2012 实验室、华为云、终端、计算等团队联合构建的开源 AI Agent 平台 openJiuwen 即发布了 Auto Harness 能力，让智能体能够自动优化自己的一整套 "工作装备"。这一次，openJiuwen 把完整的 RSI 框架落地到了 WorkSwarm 蜂群办公智能体上，率先支持 "可插拔的 Harness + Artifacts" 双维度优化，Artifact 当前包含科研论文和算法程序两类交付产物优化，同时结合 openJiuwen 的算力亲和能力，把多轮优化的成本和耗时压了下来。

对于横跨文档、代码、数据和工具的办公任务，这意味着工作方法可以改进，交付物可以持续打磨，成功与失败的经验也能为后续任务所用。用户像创建普通任务一样发起实验，就能查看优化过程，获得经过验证的成果。

openJiuwen RSI 框架：让自我迭代真正跑起来的工程闭环

openJiuwen RSI 不是一套固定的优化算法，而是让不同自我迭代任务都能稳定运行的工程框架。它以版本化优化对象、可验证的执行证据和可扩展的算法为核心，通过四层协作，把任务目标转化为可执行、可评估的改进过程。

任务层定义 "优化什么、如何评价、能用多少资源"；迭代优化层决定 "下一步试什么、哪些改进可以采纳"；执行层负责 "真正跑起来并返回证据"；基础框架层提供运行、模型与上下文、沙箱隔离、状态恢复和可观测性等统一能力。

整个流程串起了六阶段闭环：评测与验证建立基线；分析与优化定位从失败、轨迹和指标中找到原因；提案与构建生成候选，再按同一标准重新评测；采纳与融合消解冲突、组合有效改进，形成新版本；RSI 经验沉淀提炼方法及适用条件；最后通过归档与停止保存结果、判断是否结束。只要还有预算和改进空间，就会选择父版本继续迭代。

可靠性来自明确的分工。AgentLoop 负责单次任务的 “推理 — 行动 — 观察 — 反馈”，控制器负责跨版本优化，避免用生成者的主观判断代替验证。每份证据都绑定版本和评价上下文，候选经过过滤、融合或配置变更后必须重测；执行失败、证据无效和效果不佳也会分别记录。问题、假设、改进点及采纳或未采纳的原因都会保留，让下一轮既能借鉴成功，也能避开无效方向。

在统一的任务表达、阶段接口和生命周期下，不同对象可以采用各自的算法：

• 科研论文优化接收研究目标、初稿或实验材料及评价标准，通过 Frontier 选择父版本，提出研究方案，构建包含研究内容和实验结果的论文，再经论文评测决定是否采纳。
• 科研算法程序优化接收程序文件树、任务数据和标准，通过 PUCT 选择父版本、安排搜索，生成源码修改或修复方案。候选构建运行后，以脚本评测、规则匹配和指标聚合比较效果，指导下一轮搜索。
• Harness 优化先运行当前版本，依据任务结果和轨迹诊断，再装载候选重跑同一组任务。只有经过自身评测的改进才能被采纳，方法及适用条件也会随之沉淀。

这套框架已经做进 WorkSwarm：新增的 "实验" 模式下，用户可以像创建普通任务一样发起 Harness 优化或产物优化，查看每一轮的改进过程和搜索路径，最终拿到经过验证的 Harness 插件或论文、程序产物。下面分别看三类优化在 WorkSwarm 里的实战案例。

1、Harness 优化：四步把失败案例变成即装即用的新能力

Harness 是智能体的 “工作装备”：Prompt 决定如何理解任务，Skill 提供专业方法，Tool 负责实际操作，Rail 则约束执行过程。当问题出在这些环节时，WorkSwarm 可以直接从失败案例入手，帮助用户改进装备。

1）构建优化数据。准备一份 JSON 评测集，每条用例包含用例标识、任务要求、评测方式，以及参考答案和评分规则。建议优先选真实失败过的任务。

[
  {
    "id": "case_001",
    "input": "需要 Agent 完成的任务",
    "judge_method": "llm",
    "reference": {
      "solution": "参考答案",
      "judge_rubrics": "评分规则"
    }
  }
]

2）创建实验。进入 WorkSwarm 的 "实验" 页面选择 "Harness 优化"，填写实验名称，选择优化模型、测试模型和初始插件，再选择评测集、评测方式和最大迭代轮次，即可创建。

3）自动迭代。WorkSwarm 先运行当前 Harness 建立基线，再从失败用例和执行轨迹中定位问题，围绕 Prompt、Skill、Tool 和 Rail 生成候选修改。候选先验证目标用例确实修好，再回放完整评测集确认整体有提升、没有改坏原本通过的任务。页面持续展示得分、迭代轮次、模型用量和搜索树，哪些方案试过、哪些被采纳，一目了然。

4）安装使用。实验产出有效版本后，点击 "安装插件"，最优 Harness 即作为插件包导入并热加载，不用手工复制任何内容；版本信息保留，需要时可以回退。

在 DeepSeek-V4-Flash 任务模型、最多 5 个 Epoch 的配置下，Harness 优化在 SWE-bench Lite Dev 全部 23 道题上的通过率由 61.0% 提升至 87.0%；冻结优化后的 Harness 后，在 Evo-Bench General 64 道独立评测题上的单次执行通过率由 60.9% 提升至 71.9%。结果表明，优化收益不仅覆盖参与迭代的任务，也能泛化到未参与优化的任务。

2、科研论文产物优化：从研究构想到论文成稿，持续打磨

在 WorkSwarm 中，既可以从一个科研构想出发生成科研论文，也可以提交已有科研论文继续优化。

在 "实验" 页面依次选择 "产物优化" 和 "论文"，填写优化指令（研究主题、目标问题或重点改进方向）或选择本地论文文件夹，设置最大迭代轮次，即可创建。

运行期间，详情页展示当前分数、最优论文、模型用量和迭代轮次；论文优化树记录每一轮产生的版本，点击节点可以看到本轮改动、评测结果以及未被采用的原因。实验完成后，预览当前最优产物，确认后一键下载完整论文。

3、科研算法程序产物优化：提交任务包，寻找更优版本

对于可以运行和评价的算法程序，WorkSwarm 支持从现有实现出发自动尝试多个版本，交付最优结果。

首先准备待优化的初始科研算法程序及其评价配置。推荐预先安装并调用 rsi-program-dataset-creator Skill，生成包含初始程序、scorecard 等运行和评价信息的任务包，再在 "实验" 页面依次选择 "产物优化" 和 "程序"，选择任务包文件夹，即可创建与启动优化。

优化过程中详情页展示当前最优分数、模型用量和程序优化树，每个节点是一个候选程序，点击可查看改动、评测结果和失败原因；中途可以暂停，之后再继续。实验完成后，一键下载经过多轮尝试和评测筛选的最优程序，用于后续验证、集成或开发

4、算力亲和：把 RSI 多轮优化的成本降下来

RSI 的本质是拿算力换智力：反复生成候选、执行任务、评测结果，一次完整实验动辄成千上万次模型调用；优化过程中，提示词、工具描述和任务材料会反复使用，工具调用、评测和重试又带来频繁的暂停与恢复。如果每轮都重新计算相似上下文，优化规模越大，等待和资源开销就越高。

openJiuwen 算力亲和依托昇腾算力基础设施，让推理引擎 "读懂" 智能体的任务状态，框架通过 Agent Hint 把任务运行、等待、恢复和结束等信息传给引擎，帮助引擎在昇腾 NPU 显存、鲲鹏 CPU 内存和远端缓存池之间主动调度上下文缓存（KV Cache）：等待时卸载到低成本存储，恢复前提前预取，结束后及时释放。从而降低多轮优化的时延与资源开销，让智能体在持续改进的同时更高效地使用算力。

在科研算法程序优化的实验中也验证了这一收益，开启算力亲和后，TTFT（首 Token 时延）均值下降 15.83%、P90 下降 19.16%；Token 加权 KV Cache 命中率由 7.53% 提升至 14.36%；HBM 与 DDR 峰值使用率分别下降 22.82% 与 30.74%。重复 Prefill 少了，首 Token 更快，存储压力也更低。

结语

openJiuwen RSI 已经形成一条从创建实验到获得优化结果的完整链路：

• Harness 优化会根据失败案例改进智能体的工作方式；
• Artifacts 优化打磨科研论文和算法程序等交付产物；
• 再结合算力亲和，减少重复计算，降低资源开销。

从 Harness 到 Artifacts 的双维度优化，openJiuwen RSI 让优化成为用户可以发起、观察和复用的持续流程：每次改变都有证据，每次采纳都经验证，每轮经验都能帮助下一轮。

后续框架将继续丰富搜索、评测与融合算法，增强跨任务经验复用，并沿统一架构接入模型优化与混合优化，让 Harness、Artifacts 和 Models 在明确的评价标准、预算与安全边界内协同迭代。

RSI 实验模式已在 WorkSwarm 上线，感兴趣的用户可前往官网一键下载，立即体验：

• WorkSwarm 立即体验：https://openjiuwen.com/workswarm
• GitHub 代码仓：https://github.com/openJiuwen-ai/
• AtomGit 代码仓：https://atomgit.com/openJiuwen/

文章来自于微信公众号 “机器之心”，作者 “机器之心”