递归自我改进（RSI）提供了一条让 AI 系统参与自身持续发展的路径。近期方法使语言代理能够在参数、记忆、技能和代码层面保留改动，以便后续执行和进一步优化。我们从两个互补的视角探讨这些方法如何激发新研究思路。第一，提出一个包含九个设计维度的统一分类框架，这些维度被组织为四大组：更新目标、更新组织、更新时机与范围、反馈与选择。该框架将现有方法映射到同一设计空间，分析单个维度及其交互可产生新的研究方向。第二，考察现有 RSI 方法如何借鉴传统深度学习技术，如优化、正则化、数据增强、持续学习和对抗学习，并进一步通过更细粒度的学习机制和进化计算思路拓展想法。我们还回顾了当前基准如何在在线、离线以及离线转在线三种设置下评估自我改进能力。综合这两种视角，研究者可以从已有的设计与学习机制出发，构建创新的 RSI 研究方案。
点评