Self-Improving(自我改进)指 AI 系统在没有持续人工干预的情况下,通过自身运行结果迭代优化模型权重、提示策略或智能体工作流的能力,被认为是通向更强通用智能的关键路径之一。2025 年以来,这一方向从论文研究走向系统化教学与开源工具,斯坦福大学专门开设课程、多个开源框架相继发布,使自我改进智能体成为当前 AI 社区讨论的热点。
Self-Improving 的近期进展
当前焦点与观察点
自我改进的争议主要集中在两方面。其一是可靠性:智能体用自身输出训练或优化自身,可能放大错误、产生漂移,如何设置评估标准和安全边界仍是开放问题。其二是可复现性:部分开源框架的性能声明来自特定任务的对比,独立验证有限,社区对“击败某某系统”这类结论应保持审慎。
观察点上,值得关注三条线索:一是斯坦福 CS329A 等课程能否沉淀出共识性的方法论框架;二是权重级自我改进(SIA 类方案)与行为级优化(Agent Harness 优化)哪条路线在大规模场景下更稳健;三是安全机制能否跟上递归改进的速度。总体来看,Self-Improving 正处于从论文概念向工程实践过渡的阶段,教学资源与开源工具的涌现是这一阶段最明显的信号。