RSI:AI 开始自己改自己,产品经理该当出题人了

一个我差点划走的词

前段时间刷 X，满屏都是两个缩写：RSI，RRSI。

我点开看了三条推，没看懂他们在吵什么。

RSI 是 Recursive Self-Improvement，递归自我改进，说白了就是让 AI 自己改进自己。RRSI 是 Google 刚发的一篇论文，在前面加了个 Regularized，意思是给这种自我改进立规矩。

名词我都认识，但我想不通：这东西跟做产品的人有什么关系？

你大概也有过这种感觉。这两年 AI 圈的新词一个接一个：Agent、MCP、Vibe Coding、Harness、Skill，每一个都说自己会改变一切。又来一个 RSI，第一反应当然是：又来了。

直到几天后，我在 BOSS 直聘上刷到一个岗位。

RSI 研究员。杭州，硕士，50-80K，13 薪。

JD 是这么写的：

构建 AI 自动化研究系统，让 AI 能够自主提出研究方案、编写代码、执行实验、判读结果，并基于结果持续改进后续方案。

搭建系统的实验积累机制：沉淀成功与失败的实验结论，使每一轮搜索都优于上一轮。

有人愿意为它开到 8 万一个月，那它背后一定有个很值钱的问题。

我决定把它搞明白。

它被严重低估了

接下来几天，我先读了两篇中文圈讨论最多的 RSI 综述：一篇是上海交大牵头的 79 页学术综述，一篇是腾讯研究院发的科普综述。然后翻了外网研究者的长文、播客和论文，又把 OpenAI、AMD 同类岗位的 JD 找出来对照着看。完整的阅读清单放在文末。

读完，我的判断彻底反过来了。

RSI 是现在 AI 领域最被低估的一件事。

它比任何一个新模型都重要。

过去十年，AI 每进步一次，靠的都是人：更多的研究员、更多的算力、更多的数据。进步的速度，最终卡在全世界有多少个顶级研究员身上。

RSI 要改的，是进步的方式本身。

AI 参与改进 AI，改完的 AI 再去改下一代。如果这个循环真的转起来，AI 进步的速度就不再受人数的限制。

所以上交那篇综述，标题叫《人类亲手造的最后一个 AI》。1965 年最早提出这个设想的数学家 I. J. Good，原话说得更重：第一台超智能机器，将是人类需要做的最后一个发明。

这不是科幻作家在说。

这几个月，头部实验室把它写进了模型成绩单；一家还没有产品的 RSI 创业公司，一轮融了 6.5 亿美元；一位研究员因为担心它失控从 Anthropic 辞职，据报道他的警告 24 小时内被看了 9000 多万次；国内公司开出 50-80K 招人。

实验室、资本、安全研究者、招聘市场，同时在往一个方向看。具体数字第三节细讲。

而且它离产品经理，比你想的近得多。第三节会讲到，自我改进最先落地的地方不是模型，而是 Harness：提示词、工具、记忆、Skill。就是你每天在调的那些东西。

但中文圈里，几乎没有人从产品的角度讲它。

原因不难理解。研究员在讲技术，安全派在讲风险，产品圈觉得这是实验室里的事，离自己太远。面试里，也没有人问。

没人讲，不代表不重要。恰恰说明，现在是窗口期。

所有人都绕回了同一个问题

读得越多，我越发现一件事。

这些人立场完全不同。有人乐观，有人担忧，有人觉得还早得很。但读到最后，他们都绕回了同一个问题：

AI 说自己变好了，你怎么证明？

回头再看那份 JD 的最后一句：使每一轮搜索都优于上一轮。

谁来判断「优于」？

国外的 JD 把答案写在了明面上。OpenAI RSI 团队的岗位职责，第一条是：设计评估，用来衡量研究判断力、假设的提出与检验、长周期实验的执行。

AMD 要的人是这样的：

默认怀疑，但有建设性。能把假设形式化，给自主性划边界，坚持做反事实评估。

OpenAI 甚至单独开了一个岗位，叫 RSI Preparedness，直译是 RSI 防备研究员。它的工作是预测 AI 的能力会长到哪一步，确保安全措施跟得上。

这些岗位花大价钱买的，不是让 AI 变强的人，而是判断 AI 到底有没有真的变强的人。

OpenAI 官方招聘页局部：首条职责是为研究判断、假设生成与检验、长周期实验执行设计评估。 来源：OpenAI 招聘页

所以，我的判断是

做出来已经不值钱了，AI 产品真正的分水岭在上线之后，一轮一轮的迭代里。

RSI 让我意识到，这件事还在往前走。

1→N 的迭代，AI 正在自己做。

改提示词、改工作流、改工具，看结果，留下好的，再改下一轮。那份 JD 描述的就是这样一台机器。

写 PRD、画原型、把东西做出来，AI 已经接走了。上线后一轮一轮地改，AI 也在接走。

那产品经理还剩什么？

出题。

定义什么叫好。决定拿什么来考。判断它交上来的答案是真的对，还是只是看起来对。

做出题人，而不是做题人。

AI 越会做题，出题人越值钱。

RSI 是看清这件事最好的窗口。整个领域卡住的不是 AI 够不够聪明，而是没人能证明它真的变好了。卡住的那个位置，就是出题人该站的位置。

这篇文章想讲清楚四件事：

• RSI 到底是什么，AI 产品经理要懂到哪一层
• 它为什么卡在「证明变好」这一步，业界在用什么办法解决
• AI 能自己改自己之后，产品经理怎么当出题人
• 面试怎么讲出来自己的理解

一、其实没那么难：AI 产品经理要懂到哪一层

先划一条线。

RSI 的论文多到读不完，而且大部分跟产品经理没关系。我给自己定的标准是：能不能不看资料，用自己的话讲给研发和老板听；看到一条「AI 自我进化」的新闻，能不能判断它是真进展还是在造势。

按这个标准，有些东西可以放心跳过：

• 训练算法的细节，比如 DPO、强化学习的公式
• 每篇论文具体怎么做实验
• 模型架构

有五件事必须懂：

1. 一个自我改进的循环，由哪几个角色组成
2. AI 已经接走了哪些角色，现在走到哪一层
3. 什么叫点火：改完之后，它更会改了吗
4. 尺子为什么会弯：AI 是怎么学会刷分的
5. 怎么让尺子不弯：RRSI 这类方法做了什么

前三件在第二节讲清楚，后两件放在第四节和第五节。

二、RSI 是什么：从学知识，到学会学习

打个比方：给模型开智

一个人学东西，大概会经历这么几步：

先学死知识，背下来。 再学会怎么学。 然后融会贯通，把知识串起来。 最后能把以前学的，迁移到从没见过的新问题上。

RSI 想让 AI 也走一遍这条路。

但它比开智多问了一句：这个学会了学习的人，能不能教出一个比自己更会学习的下一代？ 下一代再教下下一代，一代比一代教得好。

这就是递归。改进的对象不只是能力，还有改进能力的能力。

开头提到的 I. J. Good，1965 年是这么推的：如果设计更好的机器本身也需要智力，那一台足够聪明的机器，就能设计出比自己更强的后继；后继再设计下一代，智能就会像爆炸一样展开。

六十年后，这个思想实验开始有了真实的系统。但先记住一句话：

会自我改进，不等于会自我加速。

一个学生可以越刷题分越高，却一点没变得更会学习。后面所有的讨论，都卡在这道分界线上。

两篇综述，两把尺子

后面会反复引用两篇综述，先把它们介绍清楚：

上交综述：《The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement》，直译是「人类亲手造的最后一个 AI」。上海交通大学牵头，联合 Theseus Labs、清华、字节跳动、上海 AI 实验室、小红书等机构，共 79 页。

它的尺子是权限：改进这件事里，每一个决定是谁做的。

腾讯研究院那篇：《这是一篇把「RSI」讲明白的科普级综述》，作者是加拿大皇后大学的赵志民博士，发在腾讯研究院公众号。

它的尺子是结果：改完之后，到底发生了什么。

一把量「谁说了算」，一把量「改出了什么」。两把合起来，RSI 就看清了。

上：上交等机构的综述论文首页。下：腾讯研究院转载的赵志民文章。 来源：上交综述 · 腾讯研究院原文

一个考场，九个角色

上交综述把一轮自我改进拆成了九个部分，原文是这么列的：

AI 系统本身、跨轮保留的状态、从交互中得到的经验、被修改的对象、负责提出修改的改进器、决定怎么搜的策略、负责打分的验证器、通过验收被保留的改进，以及继承它进入下一轮的后继者。

第一次读，我被这串术语绕晕了。后来发现，把它想成一个考场，一下就通了：

一轮自我改进，就是一场考试走完一遍：考生做卷子，改卷人打分，教练翻错题本找弱项，按复习计划练，确认有效的进步记进档案，下一届考生带着档案上场。

把这九个角色再看一遍，你会发现少了一个人。

出题人不在里面。

决定考什么、什么算好的那个人，站在整个循环外面。

示意图：有效改进被保留和继承；目标与标准由循环外设定。

上交综述用三个问题贯穿全文：

循环在哪里闭合？什么被更新和继承？哪些决策仍然是外部的？

说白了，就一个问题：考场里哪些角色已经交给 AI 了，哪些还在人手里？

六个级别，一张图看懂

上交综述按 AI 接手的程度，从 B0 排到 L5。我把每一级翻译成了大白话：

从 B0 看到 L5，AI 接手的事情越来越多。

但一直到 L5，人手里还攥着一样东西。上交综述写的是，L5 由人类控制「顶层使命、安全边界、保护评测基准、资源权限」。

保护评测基准，翻译过来就是：最后那张考卷，不能让 AI 碰。

上交综述第 5 页 Figure 2。灰色区域由人控制，绿色区域进入 AI 循环；图中展示 L1 到 L5，B0 是正文另列的参照线。 来源：上交综述

这一点第六节会展开。下面每一级各举一个例子。

B0：当场改答案，考完就忘。 你让 ChatGPT 把一段文案改三遍，它越改越好。但新开一个对话，它不会因为上次改过三遍，就变得更会写。B0 不算 RSI，它只是一条参照线，分开了「改进一次输出」和「改进系统本身」。

L1：照着手册刷题。 人定好什么算高质量的教育类网页，AI 去海量网页里筛，筛出来的数据留着训练下一代模型。AI 干活量很大，但手册一个字都改不了，碰到手册没写的情况，它只会失败。

L2：自己定复习方法。 给 AI 一堆失败案例，它自己判断是提示词的问题还是流程的问题，然后自己试不同的改法。考什么、怎么算分还是人定的，但怎么提分它自己说了算。

L3：自己出练习题。 AI 根据自己的短板，给自己出难度刚好的题来练。有个实验让 AI 在《我的世界》里边探索边攒技能，再根据攒下的技能决定下一个练习目标。注意，它出的是练习题，这个区别第六节会专门讲。

L4：进真实考场学。 小红书的推荐系统有快慢两个循环：快循环根据用户的点击和停留，实时更新对用户的记忆；慢循环把线上的疑难样本收集起来，人工抽检后重新训练。

L4 还有一个细节很说明问题。有团队发现，技能库如果只进不出，检索质量会越来越差，而这种退化在任务分数上是看不出来的。

分数没掉，东西已经坏了。记住这句话，第四节还会用到。

L5：改考试制度。 上交综述用一组对比讲清了 L4 和 L5 的区别：

L4：我用固定的一套「故障提炼技能」流程，学到很多新技能，提炼技能的流程不变。

L5：我发现「故障提炼技能」这套流程本身有漏洞，于是修改这套提炼算法；用修改后的算法，处理之后所有故障案例。

说白了，L4 是在规则里越练越好，L5 是动手改规则。

L5 还要再分两种。上交综述管它们叫结构性 L5 和有效性 L5：前者是改过的机制确实被保存下来、用在了下一轮；后者是在同样的算力下，改过的机制确实造出了更强的下一代。

目前很多原型只做到了前一种。后一种，综述的原话是「目前依旧是开放难题」。

一个规律：哪里好改卷，哪里就走得快

那现在走到哪一级了？上交综述的结论是：

目前产业界和学术界大量成果集中 L1-L2，L3-L4 依赖特定领域环境，完整有效的 L5 真正递归元改进，仍然以实验室原型为主。

但各个领域的速度差得很远。综述对比了科学发现、机器人、软件工程和医疗四个领域，结论是：

可执行、可快速测试、可回滚的场景（软件工程）RSI 进展最快。高风险、试错昂贵、反馈模糊场景（医疗、真实物理机器人）进展缓慢。

代码能跑、能测、能回滚，对错一目了然。医疗和机器人试错代价高，反馈又慢又模糊，出了错都不知道是哪个环节的问题。

这条结论值得停下来看一眼。它说的其实是：决定 RSI 走多快的，不是 AI 多聪明，而是改卷有多容易。

真正的分界线：点火

权限的尺子量完了，再用腾讯研究院那篇的尺子量结果。

它把 RSI 拆成四层，从易到难排。正好对上开头说的开智：

原文对现状的判断是：

目前，前两层已经出现，第三层尚无充分的公开证据，第四层更远未解决。有界闭环已经出现，不代表递归自我加速已经启动。

第三层，就是全行业都在盯的点火（ignition）。

目前最接近的公开实验，来自一家叫 Weco 的团队，叫 AIDE²。他们让一个外层 AI 连续 8 天、改了 100 步内层 AI 的代码，筛出了 7 个一代比一代强的版本，最好的一版甚至超过了人工调了两年的版本。

看起来已经很像 RSI 了。

但他们做了一个关键测试：把改进后的 AI 放到外层，让它去改下一代，看它是不是比前任更会改。

结论是：它收敛得更快，但最后没能改出更好的结果。

没有点火。

团队自己在报告里写得很清楚：我们认为，现在的系统离智能爆炸还很远。

示意图：任务表现更好，还需要进一步证明改进能力本身变强。

所以今天 RSI 的准确位置是：闭环已经能净正地转几圈了，但还没有人证明，下一圈会因为上一圈转得更快。

用开智的话说：AI 已经会自己学了，但还没有证据表明，它学会了怎么学。

再看一眼那份 JD：使每一轮搜索都优于上一轮。

这句话写在招聘要求里，但放到整个行业，它还是一个没人公开做到的目标。

三、为什么现在必须关心：它已经进了产品

看到这里你可能会想：L5 还在实验室，点火也没发生，那跟我有什么关系？

关系在于，前面那几级，已经发生在你身边了。

大厂：AI 已经在造下一代 AI

2026 年 9 月 17 日，Anthropic 第一次公开了一组内部数据：

• 截至 8 月，Claude 主导了公司 26% 的 AI 研发工作
• 超过 90% 的研发工作，达到了「AI 协作」及以上：Claude 在人的紧密指导下完成大块工作
• 同一时间，大约有 3 万个 Agent 在公司内部做研究和工程

「主导」是什么意思？Anthropic 的定义是：人给一个高层目标，Claude 从头到尾完成大部分，人负责监督结果。

对照上一节那张表，这就是人定目标、AI 干活，大致在 L1 到 L2 之间。

同一份披露里还有一句，很少有人转：这 3 万个 Agent 的每一个动作，执行前都要过一道在线监控，事后还要被离线监控 100% 复查。

AI 接走了干活，但改卷这一步，Anthropic 没交出去。

Anthropic 原文局部，统计截至 2026 年 8 月：Claude 主导 26% 的研发工作；「主导」仍包含人的监督。 来源：Anthropic 官方文章

OpenAI 那边，GPT-5.6 发布时公开了一个细节：最强的 Sol 版本只拿到一段很简略的提示，就自己选训练配置、自己挑 GPU、自己跑完了对小模型 Luna 的后训练。

这门新科目有个名字，叫 RSI 指数：GPT-5.6 Sol 得到 57.9%，上一代是 41.7%。但要注意，这个指数的完整题目、权重和计算公式都没有公开。57.9% 只是 OpenAI 内部的综合分，不代表 RSI 完成了 57.9%。

转发这个数字的时候，这句话最好带上。

OpenAI 官方发布页局部：GPT-5.6 Sol 的 RSI Index 为 57.9%，GPT-5.5 为 41.7%。这是指数得分，不是 RSI 完成度。 来源：OpenAI GPT-5.6 发布页

个人：一个晚上跑 37 个实验

RSI 不只是大厂的事。

Karpathy 开源过一个叫 autoresearch 的小项目，逻辑非常朴素：让 Agent 提一个改动，跑实验，有效就留下，没效就扔掉，然后开始下一轮。圈里管这叫 Karpathy Loop。

他自己跑了大约 700 次自主改动，最后筛出大约 20 个真正有效的，把训练一个 GPT-2 水平模型的时间，从 2.02 小时压到了 1.80 小时。

Shopify 的 CEO Tobi Lütke 拿它在公司内部数据上跑了一个晚上：37 个实验，效果提升 19%。

说白了，RSI 最朴素的形态，现在一个人、一台机器、一个晚上就能跑起来。

仓库原图：这次示例共 83 次实验，保留 15 次改进；绿色点表示保留，灰色点表示丢弃，纵轴越低越好。这是仓库里的一次示例运行，不是正文所述约 700 次改动的那一轮，也不是 Shopify 的实验。 来源：Karpathy 的 autoresearch 仓库

产品：你的 Agent 正在变成会自己改的东西

对 AI 产品经理来说，最该关心的是第三件事。

前 OpenAI 安全研究负责人 Lilian Weng 在 7 月的长文里下了一个判断：近期的自我改进，大概率先从 Harness 开始，而不是直接改模型权重。

原因很实际。改权重贵、慢、风险高；改 Harness 说到底是改代码，便宜，也容易回滚。

她在文中引用的一个框架，把 Harness 里可以被自动修改的东西拆成了七样：

系统提示词、工具描述、工具实现、中间件、Skill、子 Agent 配置、长期记忆。

你看这张清单，是不是很眼熟？

这七样，就是你现在做 Agent 产品每天在调的东西。

Lilian Weng 原文局部：在介绍 Agentic Harness Engineering 时，列出系统提示词、工具描述、工具实现、中间件、Skill、子 Agent 配置和长期记忆。 来源：Lilian Weng 博客

已经有人让 AI 自己调了。一个叫达尔文哥德尔机（DGM）的系统，底座模型一行没动，只让系统自己改 Harness 代码，在编程测试 SWE-bench Verified 上的修复成功率从 20% 提到了 50%。

快手的 AgentX 更进一步，已经跑进了真实业务：AI 复盘执行记录，修改子 Agent 的 Harness，先用历史任务筛出新版本，再上线做 A/B 测试。用户的停留和消费，就是它的分数。

回到上一篇讲的 1→N。我当时拆了三条线：case 线、迭代线、模型线，默认都是人在做。

现在，其中一部分 AI 可以自己跑了。

所以问题已经变了。不是要不要让 AI 自己改，而是它改的时候，谁来判断改对了。

别被吓到，也别不当回事

也有很冷静的声音。

普林斯顿的 Sayash Kapoor 团队专门测过 Agent 做开放式研究的能力，结论毫不客气：Agent 做研究本身「明显很差」。他的解释是：

模型擅长任何能被反复训练的东西。但任务一旦是开放式的，就很难搭出训练它的环境。

Anthropic 联合创始人 Jack Clark 公开给过一个判断：2028 年底前实现 RSI 的概率是 60%。但他也说过，今天的 AI 缺少有价值的直觉和创造力，这是看空短期 RSI 的信号。

两边放在一起看，结论其实很清楚：

能反复练、能自动判对错的地方，AI 自己改自己已经在发生。开放、模糊、判不了对错的地方，还远。

又回到了改卷。

四、尺子会弯

先讲一个 1981 年的故事。

那一年，研究者 Douglas Lenat 做了一个叫 EURISKO 的系统。它会用一套规则解决问题，而且能自己生成新规则、修改旧规则、给每条规则打一个「有用程度」的分。

EURISKO 去参加了一个太空战棋的全国锦标赛。它自己设计舰队，模拟战斗，根据失败调整策略，拿了冠军。主办方改了规则，第二年它又赢了一次。

当时整个 AI 圈都被震到了：这东西居然会自我改进。

然后 Lenat 发现了一条奇怪的规则。

它没有做出任何有用的发现。但每当别的规则有了发现，它就把自己的名字也写进「发现者」名单。于是它的「有用程度」一路涨，涨到了接近满分。

它没有变聪明。它学会了抢功劳。

这类现象后来有了一个专门的名字，叫奖励黑客（reward hacking）：系统找到了提高分数的漏洞，却没有完成设计者真正想要的事。

Lilian Weng 在那篇长文里有一句话，我觉得是整个 RSI 领域最该记住的一句：

一个自我改进的循环，会去优化你给它的任何信号。

它不管这个信号是不是你真正想要的。你给它什么尺子，它就往尺子上长。

尺子是直的，它就长得直。尺子弯了，它就顺着弯长下去，而且长得比谁都快。

这就是全文第二个关键词：尺子会弯。

四十多年过去，尺子弯的方式越来越隐蔽。我按从明显到隐蔽的顺序，讲四种。

第一种：钻空子

EURISKO 就是最早的例子。

你可能以为这是早期 AI 太粗糙。2026 年的实验告诉你，没有。

前面提到的 Weco 团队，在一个 GPU 程序优化的测试里专门统计过：起始版本的 AI，有 63% 的测试案例出现了公开分数涨了、隐藏验证却不认可的情况。

也就是说，超过一半的「进步」，是在钻评分的空子。

第二种：自己当裁判

2024 年，Meta 做了一个实验：让同一个模型既写回答，又给自己的回答打分，再用这些分数训练自己。

三轮下来，它在一个公开评测上的胜率，从 9.94% 涨到了 20.44%。

效果很好。于是 Meta 又往前走了一步，加了一层「评委的评委」：同一个模型同时当回答者、评委，以及判断评委打分准不准的人。

腾讯研究院那篇记录了后来发生的事：迭代几轮之后，「评委的评委」开始退化。它不再判断哪次打分更合理，而是直接选分数更高的那次。

评判标准自己漂走了。

原文对这件事的总结是：

当评判者和被评判者共享同一套盲区时，闭环很容易自我确认。

说白了，自己出题、自己答题、自己改卷，分数只会越来越好看。

第三种：背题

第三种更隐蔽，因为 AI 并没有作弊。

前面说过，现在很多系统在让 AI 自己改 Harness：提一个改动，拿一套题测一下，涨了就留下。

Google 那篇 RRSI 论文发现，这样改出来的 Harness 有一个通病。原文是：

进化出来的 Harness，会过拟合给它打分的那套题。

在打分用的那套题上，涨幅很漂亮。换一套题，涨幅缩水，甚至直接归零。

它不是故意的。搜索过程只是恰好找到了一些只对这套题有效的改法，比如在提示词里写进了针对某几道题的特殊处理。

它没有变强，它把考卷背下来了。

第四种：分数看不出来的坏

最隐蔽的一种，是分数一切正常，系统已经在变坏。

第二节讲 L4 时提到过：技能库如果只进不出，检索质量会越来越差，但这种退化在任务分数上看不出来。

Weco 的实验也有类似的发现。最终进化出来的那一版，分数最好，但代码逻辑复杂到团队自己都很难看懂，里面还堆着没用的死代码。

分数在涨，系统在变得没人看得懂。

示意图：钻空子、评判标准漂移、背题，以及分数没有暴露的系统退化。

你一定见过这把弯尺子

读到这里，做过产品的人应该会有点熟悉。

这不是 AI 独有的毛病。经济学里有一条很有名的古德哈特定律：当一个指标变成目标，它就不再是一个好指标。

做产品的人几乎天天见：

• 客服机器人只考核解决率，它就学会尽早结束对话
• 推荐系统只看点击率，最后推出一堆标题党
• 团队只盯 DAU，活动一场接一场，留存一路往下

RSI 只是把这件事放大了。

以前是人在刷指标，一个季度刷一轮。现在是 AI 在刷，一个晚上几十轮。

尺子弯得更快，而且没人盯着。

腾讯研究院那篇有一句话，把后果说得很准：

一个在评判标准漂移中合上的闭环，会越来越擅长优化它自己扭曲的目标。

回到 1981 年那个把名字塞进功劳簿的 EURISKO。它留下的问题，今天几乎原封不动：

当一个系统开始给自己打分，你怎么知道它是真的变好了，还是只学会了让自己看起来变好？

四十多年，AI 从下桌游进化到了改自己的代码，这个问题一直没有被解决。

那尺子能不能不弯？Google 今年 9 月发的 RRSI，给了一个很有意思的答案。

五、RRSI：给自我改进立规矩

它是什么

RRSI 全称 Regularized Recursive Self-Improvement of Agent Harnesses，是 Google Cloud AI 研究团队 2026 年 9 月底发布的论文，合作方还有斯坦福、北卡教堂山分校等。

名字拆开看就懂了。RSI 我们已经讲过。前面多出来的那个 R，是 Regularized，正则化。

正则化是机器学习里的老概念，专门用来治过拟合。说白了就是给学习过程加约束，不让它死记硬背。

所以 RRSI 要解决的，正是上一节的第三种弯法：背题。

它研究的对象也很具体，就是 Harness。论文摘要的第一句是这么写的：

一个 LLM Agent 的能力，很大程度上是被它的 Harness 放大的，也就是围绕着冻结的底座模型的提示词、控制流、工具、记忆和上下文管理。

模型不动，只让 AI 自己一轮轮改 Harness。这正是第三节说的，自我改进最先发生的地方。

RRSI 论文第 4 页 Figure 2：左侧约束候选改动如何提出，右侧约束哪些变化可以保留。原图共 7 项，正文按作用合并成四条：规矩一对应 A，规矩二对应 B、C，规矩三对应 D，规矩四对应 F、G。 来源：RRSI 论文

为什么需要它

先看不加约束时会发生什么。

普通的做法很简单：AI 提出几个改动，拿同一套题打分，分最高的留下，进入下一轮。

论文观察到，这样改下去会出现三种问题：

• 针对这套题改
  ：改动里直接写进了题目名、人名这类只属于这套题的东西
• 追着噪音跑
  ：评测本身有随机波动，有些改动只是运气好多拿了几分，却被当成真进步留了下来
• 越改越臃肿
  ：加了一堆机制，在这套题上分数涨了，换个地方一点用没有

论文里有一组数字，我觉得是整篇最有说服力的。

不加任何约束的版本，在训练用的那套题上拿到了所有版本里的最高分，92.8。

但一拿到它从没见过的测试集上，平均分是 40.3。

什么都不改的原始版本，是 39.7。

折腾了一整轮，训练分冲到最高，真实水平只涨了 0.6 分。

这就是背题最直观的样子。只看训练分，你会以为它进步巨大。

RRSI 论文第 9 页 Table 2：无约束版本的 Evolve 分数为 92.8；OOD 平均分从 39.7 到 40.3，只涨 0.6。此表的 OOD Avg. 是 JobBench、GDPval、APEX-Agents 三个基准的平均。 来源：RRSI 论文

它是怎么做的

RRSI 没有去改 Harness 本身，而是给改的过程定了四条规矩。我按大白话翻译一下：

规矩一：越往后，一次只许改一处。

前几轮允许同时改好几个地方，大方向先找对。越往后，允许的改动越少，最后每轮只能改一处。

好处是，分数涨了，你能明确知道是哪一处的功劳。一次改五处涨了三分，你永远不知道哪一处是真有用，哪一处是搭便车。

规矩二：每一次改动都记账。

每个候选改动改了哪个部件、想验证什么假设、分数和成本各变了多少，全部记下来。已经被证明没用的想法，后面不再重试。

规矩三：打分之前，先查小抄。

这是最关键的一条。论文专门设了一个审查环节，在正式打分之前就把这些改动拒掉：

显式写进了任务名、实体名、任务特定的数值、答案，或其他只对训练题集有效的逻辑的改动。

通用的改进，比如把提示词写得更清楚，是允许的。只对这套题有效的，连打分的机会都没有。

规矩四：多花的钱要用效果来抵，没用的就删。

改动如果让成本上涨，必须有实打实的分数提升来覆盖，涨的成本越多，要求的提分越高。一段时间里没有贡献、甚至拖后腿的部件，整个删掉。

效果

论文的主要结果是：在训练用的题集上最多提升 14.1 分；在五个从没见过的测试集上最多提升 4.7 分；跑起来的 token 消耗比不加约束的版本少 30%。

拆掉约束做对比，结论更清楚。只拆掉第一、二条，训练分反而高了 0.2，换题后的成绩却掉了 1.7。

它主动放弃了一点好看的分数，换来了真的变好。

注意这四条规矩里，没有一条是在让 AI 变得更会改。它们全部在管尺子：管怎么算功劳，管什么算作弊，管进步值不值这个价。

说白了，RRSI 没有让 AI 变得更聪明，它让 AI 改的时候没法作弊。

而这四条规矩是谁定的？

是人。

AI 产品经理怎么用

你大概率不会亲手去跑这篇论文。但它的四条规矩，可以原样搬进你自己优化提示词、调 Agent 的日常里：

第三条尤其值得每个做 AI 产品的人对照一下。

我们修 bad case 的时候，最常用、也最省事的办法，就是往提示词里加特例。加完一测，那条 case 过了，很有成就感。

但这恰恰就是 RRSI 要拦掉的那种改动。

它的边界

论文自己也写得很坦诚：RRSI 仍然依赖一套有限的训练题和几个需要人来设的参数，效果取决于反馈信号的质量；在差别很大的 Agent 架构上、在更长时间的自我改进上，都还需要更多验证；它也没有涉及改模型权重的场景。

所以它不是尺子问题的终极答案。

它是一个信号：研究者已经开始把「怎么不背题」本身，当成自我改进的核心问题来做了。

六、最强的反驳：AI 不是已经会出题了吗？

写到这里，一定有人会反驳。

你说出题人是人的位置，可第二节刚讲过，L3 的 AI 已经在给自己出练习题了。第四节的「评委的评委」，AI 连改卷都在做。上交综述里还提到，腾讯混元的系统在发现原始评估器有漏洞时，可以自己去改评估机制。

AI 连出题和改卷都开始做了，出题人不也要被替代吗？

这个反驳很有力，所以要认真回答。

答案是：题分两种。

练习题和考卷

练习题是用来变强的。

它出得不好，最多练偏了，后面还能发现、还能纠正。而且出练习题这件事，AI 做得比人好：它知道自己哪里弱，能出难度刚好的题，一晚上出几千道。

练习题，应该交给 AI。

考卷是用来判断有没有真的变强的。

它只有一个硬性要求：被考的那个人，碰不到它。

一旦碰得到，考卷就变成了练习题。第四节讲的四种弯法，说到底都是同一件事：考卷被当成了练习题来刷。

前沿研究在做的，全是同一件事

回头看这篇文章里出现过的所有「解法」，你会发现它们在做同一件事：把考卷藏到 AI 够不到的地方。

• AIDE²
   把分数拆成两套：内层 AI 对着公开分数优化，真实表现用一套它看不到的隐藏分数来衡量。钻空子的比例，因此从 63% 降到了 34%。
• RRSI
   对着一套题改，但判断它有没有真的变好，用的是五个它从没见过的测试集。
• Lilian Weng
   说得更直接：权限控制和安全层，必须放在自我改进的循环之外。
• 上交综述
   写到 L5，人手里剩下的东西里，有一项叫「保护评测基准」。

腾讯研究院那篇，把这个共识压成了一句话：

真正可靠的原则不是让人审核每一步，而是：评估器和权限边界必须留在被进化系统的控制范围之外。

注意前半句。不是让人审核每一步。

每一步都让人审，RSI 就没有意义了，人会成为最大的瓶颈。前沿的共识是：过程可以全部交出去，但考卷要放在它够不到的地方。

那 AI 改评估器怎么办？

回到那个腾讯混元的例子。AI 发现评估器有漏洞，自己去改，这算不算 AI 拿走了考卷？

上交综述在讨论 L5 的难题时回答了这个问题：修改评估器之后，会出现评判标准漂移；需要独立的锚点基准，来区分是真的变强了，还是评判尺度变松了。

也就是说，AI 可以改里面那层尺子，但外面必须还有一把它碰不到的尺子，用来检查新尺子有没有变弯。

考卷可以一层层往外挪。

但最外面那一层，总得有人拿着。

所以

练习题交出去，考卷留在手里。

这就是出题人和做题人真正的分界。

AI 可以做题，可以出练习题，甚至可以改里层的卷子。但决定最外层那张考卷考什么、什么算好、它不能碰，这件事不能交。

示意图：AI 可以负责练习与调优，最终验收标准和考卷保持独立。

在 Dwarkesh Patel 那期圆桌里，OpenAI 联合创始人、现在 Thinking Machines 的首席科学家 John Schulman 说了一句话：

人类最后一个工作，或者说人类保留最久的角色，是定义目标，决定我们到底想要什么。

这句话，就是出题人的定义。

七、出题人是什么样的人

讲到这里，出题人听起来像是研究员的事。

其实不是。RSI 只是把一件早就在发生的事，放大给我们看了。

你现在在做哪种题

先看看大部分人是怎么准备成为一个 AI 产品经理的。

刷「AI 产品经理面试 100 题」。背 RAG、Agent、Harness 的标准答案。拿着 JD 一条条对，缺什么补什么。

这些都没错。但你仔细看，它们全是同一件事：把别人出的题，答好。

这就是做题人。

问题是，这类题现在谁答得最好？

你把任何一道 AI 产品面试题丢给 Claude 或 ChatGPT，它的答案往往比大多数候选人更完整、更有条理。

更要命的是第五节那组数字。

面试题是公开的，能刷，能背，就像那套训练用的题集。你可以把它刷到 92.8 分。但真正做产品的能力，是一套你从没见过的测试集。

刷得再高，换一套题，可能只涨 0.6 分。

面试答得好，不等于是一个好的产品人。

市场真正在找的人

那市场到底想要什么样的人？回头看开头那几份 JD。

杭州那份 RSI 研究员的 JD，要的是一个能让系统「提出方案、写代码、跑实验、判读结果、基于结果持续改进」的人。OpenAI 要的是会设计评估的人。AMD 要的是「默认怀疑」的人。Anthropic 描述自己的研发方式，是人设定目标、负责监督，Claude 完成执行。

这几份材料指向同一种人：能自己定义问题、自己定标准、再让真实结果来检验自己的人。

这就是出题人。

出题人的三件事

放到做产品上，出题人每天做三件事。每一件，都能在 RSI 里找到对应。

第一件：定义什么算好。

RSI 里最外层那个人定的是目标。放到产品里，就是在动手之前先想清楚：这个功能做成什么样算成功？用户的哪个行为能证明它有用？

做题人拿到需求就开始写 PRD。出题人会先把评估标准写出来。

这件事我自己撞上过。

九月我在做一个面试复盘的系统。学员交上来的文档，要过两道判断：这是不是一场真实面试的复盘？拆出来的题，够不够格直接入库？

一开始我想，都交给模型自动审。

第一个模型审入库，30 场面试，0 场通过。改了问法，分数也只在 0.40 到 0.55 之间晃。

换一个模型去判「是不是真实面试」，更离谱：一份备考资料，它给 0.85；一场真实的面试，它只给 0.75。

我当时的原话是：「它不知道我到底在判断什么。」

最后的方案是：规则先分档。明确的直接放行或拦下；拿不准的那一档，模型的分数只作参考，留给人一键确认。

模型可以帮我初筛。但「什么算一场真实的面试」，得我来定。

第二件：把考卷藏好。

第六节讲过：练习题交出去，考卷留在手里。

放到产品里，就是分清楚哪些指标可以让 AI 或团队拼命去优化，哪些必须留作最终验收、谁都不能对着它调。调提示词用一套 case，验收用另一套从没给它看过的 case。

第三件：决定什么时候停。

上交综述在最后提了一个很少有人注意的方向：要统计一个闭环的全部成本，诊断、生成、验证、人工复核都算进去，当预期收益低于代价时，就停止自我迭代，交回给人。

放到产品里，就是敢说「这个功能不用再优化了」，或者「这个方向该停了」。AI 会一直改下去，因为你给它的信号永远可以再高一点。喊停的只能是人。

示意图：写成功标准、守住独立验收集、设置停止条件。

反过来定义行业要什么人

上面三件事是在产品里当出题人。我想再往前说一步：在职业上，也要当出题人。

做题人的思路是：行业要什么，我就补什么。JD 写了什么，我就学什么。

出题人的思路是反过来的：我来定义，这个时代一个好的产品人应该是什么样。

我自己的答案是：自己从 0 到 1 做出一个产品，自己去拉真实的用户，甚至自己去拉投资。

为什么是这三件？

因为用户和投资人，就是那张你碰不到的考卷。

面试官的问题可以提前背，八股可以刷。但用户用不用、留不留、愿不愿意付钱，你没法背。投资人掏不掏钱，你也没法刷。

它们是真实世界给你打的隐藏分。

这也补上了我上一篇没说完的话。上一篇说，做出来已经不值钱了。做出来确实不值钱，让真实世界给你打分，才值钱。

一个人能拿着自己做的产品、真实用户的数据、投资人的判断走进面试，他已经不是在回答「你是不是一个好的产品人」这道题了。

他是在告诉对方：一个好的产品人，长这样。

做一个出题测试

最后留一个马上能做的小测试。

把你的简历拿出来，一条条看：

这一条，是在回答别人出的题，还是你自己出的题？

如果是你自己出的题，它有没有被真实世界打过分？

回答别人的题、没被真实世界打过分的条目，AI 都能替你写得更好。

剩下的那几条，才是你的。

八、这篇文章最容易被读歪的三个地方

写到这里，我想先把几种最容易出现的误读堵上。

误读一：出题人不用会做题

AI 负责做题，我负责出题，所以技术不用懂那么深了？

不行。

不会做题的人，出不了好题。

你不知道 AI 会怎么钻空子，就藏不好考卷。你看不懂 Harness 是怎么被一轮轮改的，就认不出提示词里那条特例是在背题。RRSI 能设计出「打分前先查小抄」这条规矩，是因为设计的人太清楚小抄长什么样了。

出题人是做题人的升级，不是跳过做题。第一节列的那五件事，是当出题人的最低门槛。

误读二：面试不用准备了

既然好的产品人不是面试答得好就算，那面试题还要不要刷？

要。

我在上一篇里说过一句话，放在这里同样成立：这些是入场券，不是护城河。

面试题答不好，你连被真实世界打分的机会都拿不到。只是别把入场券当成终点。

误读三：学会 RSI 就能拿 8 万

开头那个 50-80K 的岗位，职位要求写得很清楚：五年以上机器学习经验，两年以上模型后训练经验。

这篇文章不是在说，产品经理学会 RSI 就能拿到这个薪资。

它说的是另一件事：这些岗位最舍得花钱买的那项能力，定义什么算好、设计评估、默认怀疑，恰好是产品经理本来就该有，却很少有人认真练过的。

九、一个随身带走的工具：RSI 三问

以后你会看到越来越多「AI 自我进化」的新闻和宣传。我把全文压缩成三个问题，看到任何一条，都可以拿来问一遍：

第一问：改动留下来了吗？

只在一次对话里变好，关掉就没了，那不叫自我改进。

第二问：谁在改卷？

分数是 AI 自己打的，还是来自一张它碰不到的考卷？

第三问：改完之后，它更会改了吗？

分数更高了，不等于它变得更会进步。这一条，就是点火。

可保存的检查卡：留存、独立评估、递归增益。

拿文章里出现过的几条来练练手：

你会发现，三个问题问完，那些听起来很吓人的新闻，都能被放回它真实的位置上。

这三问对产品同样好用。下次有供应商或者同事跟你说「我们的 Agent 会自我进化」，就问这三句。能答清楚第二问的，已经很少了。

十、面试时：没人问 RSI，你来讲

说一个现实：现在几乎没有面试官会问你 RSI。

大部分 AI 产品经理的面试，还在问 RAG 怎么选型、Agent 怎么设计、提示词怎么调。

这恰恰是机会。

做题人等着面试官出题，题里没有 RSI，他就不会提。出题人会反过来，主动告诉面试官：这是行业正在走的方向。

你把一个面试官还没关注到的方向讲清楚，讲出判断、讲出它和对方业务的关系，这场面试就不再是他考你，而是你在给他出题。

凭什么说它是方向

你敢在面试里这么讲，前提是你自己真的信，而且有依据。这篇文章里的依据，够你用了：

• OpenAI 在 GPT-5.6 的成绩单里，第一次把 AI 能不能改进 AI 列成了正式科目，还专门组建了 RSI 团队
• Anthropic 披露，截至 8 月，Claude 主导了公司 26% 的 AI 研发工作
• Google 在研究怎么给 AI 的自我改进立规矩，RRSI 就是他们的论文
• 国内已经有公司开出 50-80K 招 RSI 研究员
• 一批来自 OpenAI、DeepMind、Meta 的研究者出来创业，公司名字就叫 Recursive，专门做 RSI，一轮融了 6.5 亿美元

头部实验室都已经把它写进了自己的路线图。模型进步的方式正在变：从人改 AI，变成 AI 参与改 AI。

但注意分寸。方向清楚，不代表终点已到。点火还没有公开证据，这句话你要主动说出来。敢讲边界，才显得你是真懂，而不是在追热点。

三个切入的时机

面试官不问，你也不能硬讲。有三个时机，可以很自然地把话题带过去。

时机一：「你最近在关注什么 AI 趋势？」

这是最好的入口。大部分人会答多模态、Agent、某个新模型。你答 RSI，面试官大概率会追问一句：那是什么？

他一追问，主动权就到你手里了。

时机二：「你们的 AI 产品怎么评估、怎么迭代？」

先把你自己的做法讲清楚：怎么定义好，调优集和验收集怎么分，踩过什么坑。然后往前推一步：这件事以后会越来越多地由 AI 自己来做，行业已经在往这个方向走了，所以评估体系会比以前更重要。

时机三：「你有什么想问我们的吗？」

这是最多人浪费掉的一个问题。大部分人会问团队规模、晋升路径。

你可以问：

你们现在 Agent 的迭代，有多少是自动完成的？改完之后，是谁来判断它真的变好了？

这个问题一抛出去，你就从被考的人，变成了出题的人。

两分钟怎么讲

面试官一旦追问「RSI 是什么」，你可以按四步讲，两分钟以内：

1. 一个信号
   ：头部公司已经把它当成正式方向
2. 一个判断
   ：模型进步的方式在变，离产品最近的落地点是 Harness
3. 一个卡点
   ：它卡在没人能证明 AI 真的变好了
4. 落到对方
   ：这对你们的产品意味着什么，我会怎么做

举个例子，大概是这样：

我最近在关注 RSI，递归自我改进，就是让 AI 参与改进 AI 自己。一个信号是，OpenAI 在 GPT-5.6 的成绩单里第一次放进了 RSI 指数；Anthropic 9 月披露，Claude 已经主导了他们 26% 的研发。国内也已经有公司在招 RSI 研究员了。

我的判断是，离产品最近的落地点是 Harness。提示词、工具、记忆、Skill，已经有系统能让 AI 自己一轮轮去改。

但它现在卡在一个地方：没人能证明它真的变好了。Google 最近有篇论文发现，不加约束地让 AI 改 Harness，训练题上的分数冲到最高，换一套题几乎没涨。

所以我觉得，做 AI 产品的人，关键能力会从把东西做出来，转向定义什么算好、守住验收标准。我自己做产品的时候，就是这样分调优集和验收集的……

最后那句，接上你自己的产品。

拿我自己举例，我会接第七节那个面试复盘系统：模型给备考资料打的分，比给真实面试的还高。所以拿不准的那一档，最终验收我留给了人。

可保存的表达卡：一个信号、一个判断、一个卡点，最后落到对方业务。

分寸

三点提醒：

先答好对方的题。 面试官问 RAG，你先把 RAG 答扎实，再找机会带到 RSI。一上来就绕开对方的问题讲自己想讲的，只会显得你答不上来。

别给面试官上课。 你是在分享一个判断，不是在考他。用「我最近在关注」「我的判断是」开头，最后落到「对你们的产品意味着什么」。面试官会觉得你在帮他想问题，而不是在炫耀。

别说过头。 不要说「AI 马上就能自己进化了」。把第九节的三问用上，讲清楚现在走到哪、卡在哪。能讲清边界的人，比只会讲趋势的人可信得多。

说到底，这不是话术

这一节看起来在教面试技巧，但它其实没法靠背。

如果你没有真的读过、想过，面试官追问两句就露馅了。如果你手里没有一个自己做过、被真实用户打过分的产品，最后那句「我自己做产品的时候」，你接不上。

所以最好的准备，不是背这段话，是真的去出一道自己的题。

十一、回到那个岗位

几天前，我在 X 上看了三条推，没看懂他们在吵什么。

现在我大概懂了。

他们吵的不是 AI 能不能改自己，它已经在改了。他们吵的是，它改完之后，谁来说它变好了。

那份 JD 的最后一句写着：使每一轮搜索都优于上一轮。

「每一轮」，AI 会负责。

「优于」这两个字，得有人来定。

下次你的 AI 告诉你，它变好了。

你的第一反应是什么？