论文页面 - RSIAgent：在新环境中实现递归自我改进的自主探索框架

来源：https://huggingface.co/papers/2609.15364

摘要

RSIAgent 是一个无需训练的多智能体框架，通过自主记忆构建和“先广后深”的探索策略，使数字智能体能够在新环境中实现递归自我改进。

数字智能体经常需要适应新环境，而这些环境的接口、工具和失效模式往往无法被预训练模型完全覆盖。我们提出了 RSIAgent（https://huggingface.co/papers?q=RSIAgent），一个无需训练的多智能体框架（https://huggingface.co/papers?q=multi-agent%20framework），通过自主记忆构建（https://huggingface.co/papers?q=autonomous%20memory%20construction）实现递归自我改进（https://huggingface.co/papers?q=recursive%20self-improvement）。RSIAgent（https://huggingface.co/papers?q=RSIAgent）协调课程智能体、执行智能体和验证智能体，持续探索环境、验证结果并保留环境特定知识，包括可重用的、关于行为、条件和后果之间的因果关系（https://huggingface.co/papers?q=causal%20relationships）。它进一步采用了“先广后深”的探索策略（https://huggingface.co/papers?q=broad-then-deep%20exploration），将并行的广泛递归自我探索（https://huggingface.co/papers?q=recursive%20self-exploration）以发现多样化的环境结构，与集中的深度自我探索相结合，以揭示困难案例、隐藏约束、边界条件以及先前未知的因果依赖关系。由此生成的记忆将被冻结，并可直接用于下游任务，无需更新模型参数。在 OSWorld-v2 和 Agent’s Last Exam 上的实验表明，RSIAgent（https://huggingface.co/papers?q=RSIAgent）显著提升了强大的开源模型性能，使 Kimi-K3 和 GLM-5.3 能够超越包括 GPT-6 在内的前沿闭源模型。

查看 arXiv 页面 (https://arxiv.org/abs/2609.15364)查看 PDF (https://arxiv.org/pdf/2609.15364)项目主页 (https://aetherlabsai.github.io/RSIAgent/)GitHub50 (https://github.com/AetherLabsAI/RSIAgent)添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.15364)

在你的智能体中获取此论文：

hf papers read 2609\.15364

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2609.15364 以从此页面链接它。

引用此论文的数据集0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2609.15364 以从此页面链接它。

引用此论文的 Spaces0

没有 Space 链接此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2609.15364 以从此页面链接它。

包含此论文的收藏夹0

没有收藏夹包含此论文

将此论文添加到收藏夹 (https://huggingface.co/new-collection)以从此页面链接它。