视频理解智能体通过一个可执行的 harness 来获取证据，该 harness 决定了它们观察什么以及如何利用这些观察结果。然而，执行轨迹仅包含当前 harness 所获取的证据，使得失败的竞争性解释无法得到解决，从而限制了自我改进的基础。我们提出 Video-RSI，一个递归自我改进框架，其中视频理解智能体使用其自身的语言模型来修改自己的 harness。通过主动的视频调查，模型会重新审视原始训练视频，用额外的观察来检验竞争性的失败解释，从而使提出的修改基于现有轨迹之外的证据。具备成本感知能力的 harness 进化将这些诊断转化为可复用的修订，并在综合考虑答案准确率与视觉成本的情况下决定保留哪些修订。在我们在视频理解基准上的评测设置中，进化后的智能体在处理更少帧的同时提升了准确率，并在准确率与效率的权衡上取得了与现有视频理解智能体相当的表现。这些结果表明，视频理解智能体有潜力通过 harness 进化来改进自身的证据获取与利用能力。代码已发布于 https://github.com/bingjunluo/Video-RSI 。