zhengkid/Dream-RSI

它解决了什么问题

Dream-RSI 解决了 AI 智能体递归自我提升效率低下的问题。当智能体尝试解决日益复杂的任务时，往往会在无效的搜索方向上浪费大量计算资源。传统系统之所以困难，是因为它们要么使用无法适应更大搜索空间的固定探索策略，要么试图在线优化其探索策略，而这由于反馈延迟导致速度缓慢且成本高昂。

工作原理

Dream-RSI 将智能体过去的发现尝试历史视为一个“重放模拟器”。由于每一次过去的探索决策及其结果都已被记录，系统可以通过以不同方式重新遍历这些历史记录来“做梦”——测试新的分支、并行分组或停止决策——而无需重新运行原始且昂贵的发现过程。这形成了一个循环：智能体执行在线发现，记录结果，利用这些日志通过“做梦”来优化其探索策略，然后将改进后的策略部署回现实世界。

适用对象

该项目面向从事 AI 驱动的自动化发现（如算法工程、数学优化和 GPU 内核优化）的研究人员和开发人员，他们需要提高智能体搜索过程的效率和有效性。

亮点

• 历史作为重放模拟器： 利用过去的发现日志，为评估新的探索策略提供即时、低成本的反馈。
• 元层 RSI 循环： 通过从自身历史中学习，持续升级智能体的探索策略。
• 实证验证： 在算法工程、数学优化和 GPU 内核工程方面证明了效率和有效性的提升。