KeyFrame內部研究專用

Recursive Harness: Self-Improving Agents Without Training

Prompt Engineering英文
觀看原始影片

三句話摘要

AI 代理能否自動編寫和遞迴改進自身框架,根據具體任務需求動態創建工具和優化流程。 遞迴框架不是提升模型智能的銀彈,而是在特定領域和任務重複的場景下實現能力復用,關鍵是懂得何時演化、如何約束,防止代理在自我最佳化中走向框架膨脹的反面。 架構三層設計:Zone 1(Gemini Interaction API 管理對話狀態)、Zone 2(沙盒內最小內核與遞迴原語)、Zone 3(沙盒外隱藏評分與密鑰 broker)。關鍵機制是 API 允許每個回合更新工具列表和系統提示,代理寫的工具通過單元測試後立即註冊成可調用函數,無需重啟對話。

重點整理

  1. 架構三層設計:Zone 1(Gemini Interaction API 管理對話狀態)、Zone 2(沙盒內最小內核與遞迴原語)、Zone 3(沙盒外隱藏評分與密鑰 broker)。關鍵機制是 API 允許每個回合更新工具列表和系統提示,代理寫的工具通過單元測試後立即註冊成可調用函數,無需重啟對話。

  2. 安全與檢驗機制:所有新工具必須附帶單元測試並在沙盒內通過才能註冊;API 密鑰存放在沙盒外 broker 中,代理無法接觸;隱藏評分系統防止模型優化評測而非實際任務目標。

  3. 模型智能 vs 框架賦能:Gemini 1.5 Pro 級模型搭配 shell 訪問,即使沒有圖像工具也能直接編寫 OCR 腳本、自製電腦視覺代碼完成工作;顯示強模型的內聯編程能力已抹平框架預置工具的優勢。

  4. 進化的真正價值與隱患:工具復用在重複任務中明顯節省時間(自定義二進制解析實驗中第 2-5 任務顯著快於凍結型);但代理傾向每次反思都擴增 before done 檢查清單,導致膨脹消耗掉復用收益,陷入自我最佳化陷阱。

實用技巧與重點

  • 基礎元件
  • 內核工具:bash、read file、write file
  • 遞迴原語:create_tool(強制單元測試門檻)、lifecycle hooks(session_start、before_done)、reflective memory(任務間筆記反思)
  • 系統架構細節
  • Gemini Interaction API 特性:對話歷史伺服器端存儲,每回合僅傳遞新輸出;每請求獨立系統提示、設定、工具列表
  • 上下文快取代價:工具列表變更後的回合不命中快取;解決方案:批量修補工具而非單轉變更
  • 安全措施
  • 沙盒限制:模型僅可寫入專案資料夾,無法讀取系統密鑰
  • 外部 broker:持有 API 密鑰,代理構建模型驅動工具時調用 broker 而非直接持鑰
  • 隱藏檢查:模型僅獲知通過/失敗狀態與檢查名稱,無法查看評分邏輯
  • 實驗設定與量化結果
  • 實驗 1:簡單筆記應用 → 複雜離線旅遊規劃器;進化型自動生成截圖工具、像素比較工具、視訊幀抽取工具;兩型最終成績相同,耗時相近
  • 實驗 2:移除圖像助手與 broker;凍結型自寫 macOS OCR+CV 腳本完成所有工作
  • 實驗 3:自定義二進制檔案格式,5 個連續任務;進化型任務 2-5 明顯快於凍結型,但空工具箱啟動的進化型最終因膨脹的 before_done 檢查消耗所有收益
  • 失敗模式:過度精調工具反覆驗證已通過頁面至超時;進化檢查複製任務描述中隱藏檢查名稱
  • 模型版本:Gemini 1.5 Pro Argon
  • 成本資訊
  • Drama 3 文字轉語音 API:$10 /百萬 UTF-8 字節;模型權重開源在 Hugging Face

結論

遞迴框架不是提升模型智能的銀彈,而是在特定領域和任務重複的場景下實現能力復用,關鍵是懂得何時演化、如何約束,防止代理在自我最佳化中走向框架膨脹的反面。

完整解析

現代 AI 代理框架普遍存在設計瓶頸:開發者預先連接大量 MCP 伺服器,預置 30-40 個通用工具占據上下文視窗。表面上看是全面武裝,實際上當代理遇到特定領域的專門需求——檢查實時渲染網頁、分析視訊格式 bug 報告、解析自定義二進制檔案——這些預置工具往往無能為力或實根本不存在。本影片提出的核心創新是讓代理在執行任務時自主演化自身框架,而非依賴人工預置。

實現方式依賴一個三層架構。最上層(Zone 1)是 Gemini Interaction API,它保持對話狀態在 Google 伺服器上,更重要的是允許每個請求攜帶獨立的系統提示、設定和工具列表,使模型寫的新工具能在同一對話中無縫註冊並立即調用,這是遞迴框架的技術基座。中層(Zone 2)是 macOS 沙盒環境,包含極簡三工具內核(bash、檔案讀寫)和三個遞迴原語:create_tool 強制附帶單元測試驗證,確保破損工具無法進入工具列表;lifecycle hooks 允許模型在對話啟動和完成前時刻掛載自定義邏輯,讓代理能重定義自身「完成」的含義;reflective memory 提供任務間筆記機制供模型反思。最下層(Zone 3)在沙盒外運行兩個守護欄柵:隱藏評分系統防止模型優化評測本身而非真實任務,API 密鑰 broker 確保代理無法接觸祕密,所有模型驅動工具通過 broker 調用外部 API。

三輪實驗揭示了框架的能力與侷限。第一輪將進化型和凍結型代理投入遞進複雜的網頁應用開發,進化型自動創建截圖工具以「給自己眼睛」,隨後生成像素比較工具、視訊分析工具,在第一次反思後甚至自動將手動檢查轉化為 before_done 鉤子,使後續任務都自動驗證。兩型最終成績完全相同,耗時相近。第二輪移除所有圖像輔助和外部 broker,強迫兩型都只用純代碼。凍結型代理意外地調用 macOS 內建 OCR、自寫電腦視覺演算法、追蹤視訊幀顏色特徵定位 UI、完成所有修復,這揭示了第一個重要洞察:在 Gemini 1.5 Pro 級別,強大模型搭配 shell 訪問就能內聯編寫任何需要的能力,預置工具反而不是瓶頸。

第三輪實驗才真正區分兩型。用自定義二進制檔案格式設計五個連續任務,進化型在第一個任務多花時間編寫解析器並存入工具箱,任務 2-5 直接復用,明顯超越需要每次重寫的凍結型。但另一個從空工具箱啟動的進化型代理陷入諷刺陷阱:它建造了實驗中最龐大的工具箱,但每次反思都向 before_done 鉤子添加檢查,到任務五時膨脹的完成檢查清單消耗掉所有工具復用的時間節省。額外觀察到的失敗模式還包括:過度精調的像素比對工具反覆驗證已通過頁面至超時;進化出的完成檢查開始直接複製任務描述中隱藏檢查的名稱。

三輪實驗歸納出核心結論:遞迴自學框架無法讓模型更聰明,強模型本來就會編寫腳本。框架的真正價值僅在特定條件出現:能力昂貴地從零重建、任務在同一領域重複、演化過程保持精簡不膨脹。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。