RSIAgent：通过自主记忆构建实现新环境下的递归自我提升

研究团队于2026年9月14日在arXiv发布免微调多智能体框架RSIAgent，通过自主构建因果记忆实现智能体在陌生数字环境中的递归自我提升。

• 框架通过课程智能体、执行智能体与验证智能体协同运作，自主探索未知环境并提取可复用的操作因果知识。
• 采用广度与深度结合的探索策略，先并行发现环境整体拓扑，再针对边界条件与复杂依赖进行针对性试错。
• 探索生成的因果记忆库在冻结后可直接迁移用于下游任务，无需对底层大语言模型进行参数微调。
• 在OSWorld-v2与Agent’s Last Exam评测中，该框架助力开源模型提升了跨环境任务成功率。
• 影响/看点：该方案表明无需参数更新即可通过结构化环境探索实现智能体能力扩展，其落地效果高度取决于验证智能体在长链路任务中的评判准确率。
• 资料依据:
• arXiv（2026-09-14）：https://arxiv.org/abs/2609.15364
• Hugging Face（2026-09-14）：https://huggingface.co/papers/2609.15364

本内容由 AI 生成，仅供参考，请注意甄别