我为 RSI 开发了一个类似 scikit-learn 的工具包

读了许多 RSI 论文之后，我总回到 RL 与进化搜索中那些熟悉的问题： - **采样（Sampling）**：如何高效找到有前景的改动？ - **评估（Evaluation）**：如何判断一个新变体真的让智能体变强了？ - **多样性（Diversity）**：如何避免过早收敛？ 这促使我们构建了 Gear——一个受元学习启发的开源框架。任务智能体（task agent）产出执行轨迹（execution traces）；元智能体（meta-agent）利用这些轨迹和评估反馈来改进提示词、工具、工作流以及上下文管理。Gear 将搜索决策与执行、评估分离开来。我们的目标是打造 RSI 领域的 scikit-learn，让 GEPA、RRSI、Harness² 等方法更容易实现与比较。 目前我们有一个可运行的 GEPA 变体，具备共享失败诊断和分阶段评估能力。在 GPT 5.6 Luna 保持 medium reasoning effort 的条件下，我们观察到以下任务通过率： | Benchmark | Base DSH | Gear-optimized DSH | | --- | --- | --- | | AutomationBench Marketing | 27.0% | 40.0% | | AutomationBench Support | 17.0% | 25.0% | | Terminal-Bench 2.1 | 52.8% | 62.9% | 在 Marketing 上以 max effort 运行时，配备优化后 harness 的 Luna 达到了 88.88% 的目标完成率，而 Astra + Codex 为 84.08%。严格任务通过率则是 53% 对 57%，因此优势体现在部分完成上。 另外，在两个模型都使用相同的优化 DSH、以 max effort 运行的条件下，Luna 的预估 API 成本平均每任务 $0.0568，而 Astra 为 $1.1858——低 95.21%（不计优化与基础设施成本）。 我们很乐意收到关于候选评估，以及在有限预算下保持多样性方面的反馈。 Code · Paper