lobehub/awesome-rsi

它是什么

一个经过策划、由社区维护的列表（一个“awesome 列表”），收集并组织了关于**递归自我改进（RSI）**的研究论文和资源。RSI 是指人工智能系统不仅能改进自身能力，还能改进它用来产生这些改进的机制——形成一个自我加速的循环。

为什么现在这很重要

该列表认为，RSI 已从纯理论转向活跃的实证研究领域，这得益于以下方面的最新进展：* 自我训练* 智能体记忆* 框架（外部脚手架）优化* 具身自我改进* 自动化 AI 研究* 自我修改的编码智能体* 进化搜索

列表包含什么

它将工作分为多个部分，包括：

• 基础 — 入门论文和综述
• 模型级 RSI — 通过自生成数据、反馈或推理来改进 AI 的权重
• 框架级 RSI — 改进模型周围的提示、记忆、验证和智能体策略
• 多智能体自我改进 — 多个智能体共同改进或辩论
• 编码自我改进 — 修改自身代码的智能体
• 自动化 AI 研发 — 自行进行 AI 研究的系统
• 具身/物理自我改进 — 物理智能体的改进
• 进化与开放式 RSI
• 安全、对齐与理论
• 内省与自我建模
• 基准与评估
• 框架与工具、博客文章、演讲和相关列表

它定义的关键概念

README 引入了有用的精确词汇：

• 自我精炼 — 改进当前输出，而不对系统进行持久更改
• 持久自我改进 — 对权重、记忆、技能、提示或代码的更改，这些更改会延续到下一轮
• 递归自我改进 — 当产生改进的机制本身成为被改进的对象时
• RSI 基底 — 一个将其自身结构暴露为可修改的系统，而不一定形成自动循环

它还区分了声称的自我改进的三个证据级别：

• 任务增益 — 更好的输出，无持久更改
• 保留增益 — 持久更新改善未来性能
• 改进者增益 — 产生改进的机制本身变得更有效

该列表强调，仅凭自引用架构并不能证明真正的改进——你需要受控比较。

重要注意事项

该列表诚实地指出，并非每个条目都展示了真正的 RSI；有些是受限的自我改进或使能技术。分类法是组织性的，而非严格的——许多系统跨越多个类别。明确欢迎新贡献者。