过去一年，递归自我改进（Recursive Self-Improvement，RSI）重新成为AI行业的核心议题。Anthropic展示了AI参与代码研发的速度提升，Recursive等团队把自动化AI research推向更可见的位置，学术界也在重新讨论从Gödel Machine 到现代Agent系统的自我改进路径。当模型开始参与自己的研发、测试和优化，AI能力增长会以什么方式进入产业？
Anthropic的内部进展已经显示出这种趋势：到2026年5月，Claude参与生成的代码已经占其合并代码的80%以上。AI参与自身研发，正在从叙事进入工程生产率指标。
2026年9月，Google发布了《RRSI：Regularized Recursive Self-Improvement of Agent Harnesses》。论文把RSI放到Agent系统层面讨论：在冻结基础模型之上，系统可以通过迭代优化prompt、控制流、工具、记忆和上下文管理来提升任务表现。更值得关注的是，论文把泛化性放在核心位置：递归优化如果只记住训练任务，可能带来很高的指标提升，却难以迁移到新的任务和环境。
这也让RSI的产业化问题变得更具体：当Agent被部署到真实业务之后，它能否从失败轨迹、用户反馈、结果评价和业务规则中持续优化？每一次改进能否被验证，并最终转化为客户可感知的效率提升？
这个问题，正把RSI从“智能爆炸”的宏大叙事，拉回到企业Agent上线后的真实工程挑战。
这也是Pyromind正在切入的位置：用AutoRL和Reward Data Flywheel，把企业 Agent上线后的真实任务反馈，转化为可训练、可评估、可持续更新的模型能力。换句话说，它关注的是RSI进入产业后的基础设施形态：让Agent在确定边界内持续学习，让能力改进进入业务闭环。
01 Agent进入生产系统后，竞争焦点开始后移过去，企业选择Agent时，最直接的问题是“今天能不能完成任务”，模型能否理解指令、调用工具、完成流程，决定了一个Demo是否成立。但Agent一旦进入真实业务，环境会快速变化：软件界面会更新，业务流程会调整，用户偏好会迁移，客户会不断提出新任务，静态能力很快触达边界。企业开始关心另一个问题：上线后的Agent能否从真实运行中继续学习？
一个Agent系统如果每次任务都从零开始，它更像一次性工具；如果能从项目轨迹、协作经验和失败反馈中沉淀方法，它才开始接近“上线后越用越好”的系统。这使Agent的竞争焦点从“单次完成任务”后移到“持续改进任务”。真实任务中的失败轨迹、用户纠错、结果评价和业务规则，开始成为比Demo更稀缺的资产。谁能把这些信号沉淀成可复用的训练与评估系统，谁就更接近产业化RSI。
从产业角度看，RSI可以拆成三层能力：
第一层是Intelligence，即基础模型本身的智能上限。大模型公司主要在这一层竞争，用更强的预训练、推理和工具调用能力抬高系统天花板。
第二层是Harness/Algorithm，即如何把Agent组织成可优化的工程系统。任务分解、工具调用、轨迹记录、上下文管理、内存控制、执行沙箱，都属于这一层。
第三层是后训练，即使用SFT/RL等后训练方法提升模型在场景下的能力。算力/管线/Eval/Verifier等组件，让Agent的每一次更新，能有稳定评价机制来判断是否变好，防止局部过拟合、Reward Hacking和旧能力退化。
企业场景对后两层提出了更高要求。企业采购Agent时，关注的是系统能否融入业务、持续适应变化、持续产生回报，单纯刷榜能力很难覆盖这组需求。Pyromind的定位，正在于连接通用基础模型与企业私域任务之间的基础设施层。
沿着这三层能力看，当前RSI的产业化探索大致可以分成几类路线。第一类是模型公司路线，主要从Intelligence层推进，让AI参与模型研发、训练系统优化和评测流程，优势在于掌握基础模型和算力资源。第二类是自动化科研路线，更接近AI Scientist，试图让Agent自动提出假设、设计实验、改进算法，优势在于探索新的智能增益方式。第三类是具体场景切入路线，从企业软件操作、工业规则、机器人数据生成等真实任务出发，把运行轨迹、业务反馈、结果评价和专家规则转化为可泛化的Reward，再进入训练、评估和发布流程。
第三类公司的优势在于，它们更早进入RSI最稀缺的闭环现场。RSI需要系统具备自我改进能力，也需要每一次改进都能经过真实任务验证、业务指标筛选，并在安全发布后继续产生反馈。具体场景提供了明确任务、持续数据、可评价结果和客户付费意愿，让Reward Data Flywheel有机会持续运转。随着场景增加，企业项目中的任务拆解、反馈归因、评价标准和训练流程会逐步沉淀为平台方法。由此看，从场景切入的RSI公司，可能比纯科研路线更早形成产业闭环；Pyromind 的生态优势，也来自它把企业场景变成持续学习的一部分。
02 三类场景验证：从单点优化到机制平台化对产业化RSI来说，单个案例的指标提升只能说明系统在特定任务上有效。更关键的问题是：这些改进能否迁移到新的任务、新的客户和新的业务环境中。放到企业Agent场景里，这个问题同样存在。一个Agent可以在某个客户、某个流程、某组样本上被优化得很好，但如果reward设计、评估方法和训练流程无法跨场景复用，它仍然更接近项目交付，距离可扩展的RSI基础设施还有距离。
Pyromind试图解决的，正是这套机制的可复用问题：真实任务持续产生轨迹，评价系统把结果转化为reward，后训练完成能力更新，评估机制控制发布边界，并在新场景中复用已有方法。
从现有案例看，Pyromind的持续学习机制已经在不同场景中得到早期验证：欢网AITV项目验证软件Agent对动态界面的适应能力，在多款视频App、复杂页面和不同设备环境中，焦点识别准确率从45%提升至99.6%，“可见即可说”成功率达到99%，跨页面“搜播”成功率超过90%。详见文章：从45%到99%+：Pyromind如何让欢网AITV从真实任务中持续学习
华秋项目验证企业专业规则向Reward/Verifier的转化能力，系统将200多个电子元器件样本、工程规则和KiCAD输出标准组织成训练与验证流程，平均token准确率约0.85，渲染相似度IoU由0.2提升至0.65。
R2VLA具身智能场景验证持续数据生成机制能否进入物理世界，Pyromind让企业已有规则系统成为机器人的“老师”，驱动机器人连续操作、记录状态和结果，目前已验证24小时连续运行，整体数据采集时间降低50%以上。
三个案例分别对应软件环境变化、专业规则转化和物理世界数据生成，共同说明 Pyromind的核心验证点不是单点指标提升，而是Reward、verifier、训练管线和发布机制能否跨场景复用。
软件Agent验证环境变化，工业任务验证专业规则转化，具身智能验证数据生成机制。它们共同指向一个判断标准：产业化RSI的壁垒，来自跨场景复用 Reward、Verifier、训练管线和发布机制的能力。
如果这些能力只能服务单个客户，它更像定制化交付；但如果Pyromind能在新客户、新任务和新环境中不断复用同一套持续学习框架，它才真正具备RSI基础设施公司的想象空间。
沿着这三类案例看，Pyromind的优势会更清楚：它从企业真实任务出发，把业务规则、操作轨迹、结果反馈和失败样本转化为可复用的Verifier，并接入训练、评估和发布流程。软件Agent、专业规则场景和机器人任务虽然形态不同，但都可以围绕“如何定义成功、如何识别失败、如何利用反馈更新模型”建立统一机制。由此形成的能力提升，不只停留在单个实验指标上，也更容易在不同客户、不同任务和不同环境中迁移复用，逐步沉淀为可扩展的后训练基础设施。这一点，也构成了它相对偏科研路线RSI公司的一项差异化优势。
03 RSI的产业机会为何不只属于大模型公司？在基础模型能力快速提升之后，企业Agent的瓶颈开始变得更工程化：一个任务目标能不能被清晰定义？结果好坏能不能被评价？失败轨迹能不能变成训练信号？更新后的模型能不能通过验证，再被安全发布到真实场景？这些环节决定了 Agent能否从“可用”走向“越用越好”。
这也是RSI产业机会外溢的原因。基础模型提升的是Intelligence，但企业场景真正暴露出来的，往往是Harness和Eval/Verifier的缺口：Agent如何组织任务、调用工具、记录轨迹、接受反馈，以及如何判断一次更新是否真的变好。
这种缺口不只体现在训练和评估环节，也体现在推理时的资源调度上。Pyromind的PyroDash也体现了这种工程化思路：让小模型在生成过程中判断何时需要大模型介入，并用cost-aware RL学习准确率与推理成本之间的权衡。
当下的路由模型赛道，Jev无疑是表现最优异的选手之一。为了客观评估 PyroDash的实际效能，消融实验引入了Jev模型作为强基线进行对比：用Jev替代PyroDash承担路由判断，并在Minerva、GSM8K、Olympiad、AIME 2025和 AIME 2024上对比Qwen3.5-4B、GLM-5.2-FP8和两组PyroDash配置。结果显示，Jev路由平均准确率为48.35%，最终总费用为45.28美元；而PyroDash在 λ=0.05时平均准确率达到64.04%、总费用为39.29美元，在λ=0.6时平均准确率仍有54.55%、总费用降至1.78美元。两组PyroDash配置的平均准确率均高于 Jev，总费用也均低于Jev。
这说明，企业Agent的基础设施价值不只是“按任务难度选择模型”，更底层的能力是围绕最终任务效果、强模型调用比例和整体推理成本，动态分配模型能力与算力资源。
Pyromind通过AutoRL，把真实任务、数据处理、Reward、训练、评估、模型版本和部署反馈组织在同一条持续更新管线中。这一路径的关键，在于把业务反馈结构化为Reward Data Flywheel。Agent在真实任务中产生轨迹；系统基于任务结果、用户反馈和业务规则生成可用的奖励信号；后训练把这些信号转化为模型能力；评估机制再判断更新是否达到发布标准。循环持续发生，Agent的能力由此进入可追踪的改进过程。
这也说明了Pyromind与单纯工作流公司、AI Scientist团队之间的差异。工作流公司更强调任务编排和工具连接，AI Scientist团队更接近自动化科研探索。
Pyromind的价值链条贯穿企业真实任务层、Reward与评估层、后训练与更新层，落脚于企业Agent的上线后学习基础设施。基础模型公司掌握通用智能上限，但企业私域任务往往需要更细的目标定义、更稳定的评价标准、更贴近现场的反馈数据。
04 AutoRL：把真实反馈变成进化管线如果说第一个问题是“为什么Agent需要上线后学习”，那么AutoRL回答的是“这种学习如何被工程化”。在Pyromind的系统中，持续学习并不是让Agent无限制自我修改，而是把失败归因、reward生成、后训练、评估发布组织成一条受控管线。
从这个角度看，Pyromind在RSI产业图谱中的生态位，可以跨三层能力理解。第一层是企业真实任务层，负责获取反馈和轨迹；第二层是Reward与评估层，负责判断什么是有效改进；第三层是后训练与更新层，负责把反馈转化为模型能力。三层连在一起，构成企业Agent上线后的学习系统。
Google RRSI提供了Harness自我改进的研究路径；Pyromind则重点探索企业反馈如何通过后训练转化为模型能力。两条路径指向的是同一个问题：RSI要具备可迁移性，就不能只优化某个Benchmark或某组任务样本，而要形成能够持续吸收反馈、定位问题并更新能力的系统机制。
这也是Pyromind这套系统的关键：把客户现场经验沉淀为可复用的方法。一个项目中的失败轨迹，如果只能对应一次修补，就更接近交付经验；如果能被抽象成跨任务反复出现的行为缺陷，比如工具调用不稳、上下文管理不足、任务完成判断失准、业务规则转译不完整，它就能进入平台能力。
因此，Pyromind的想象空间不只来自融入大量行业案例，也来自它能否把 Agent的改进拆解成可归因、可复用、可验证的模块。这些模块决定了一个 Agent在长链路任务中如何行动、如何观察、如何管理信息、如何判断任务是否完成。持续学习基础设施的价值，正是在这些环节里沉淀可迁移的改进机制。
05 RSI的早期产业形态，为什么先出现在企业 Agent？企业Agent天然具备搭建改进闭环的条件，有望成为RSI最早跑通的场景：任务边界相对清晰，结果也更容易被衡量。工单、客服、软件操作、报告生成，这些企业任务大多目标明确、结果可验证；Agent在执行过程中还会留下工具调用、页面操作、失败重试、人工接管等轨迹。这些过程数据经过分析和标注，可以转化为Reward信号。成功率、耗时、成本、接管率、错误类型等业务指标，也会持续反馈到模型更新中。相比更开放的通用智能探索，企业Agent已经具备“执行—评价—反馈—再训练”的现实基础。RSI在这里更容易从概念走向落地。
在这个阶段，Pyromind的优势首先来自问题定义。它较早将“Agent上线后如何继续学习”定义为独立基础设施问题，后训练在这里被放进持续服务和长期更新的框架中。
其次是产品路径的连续性。围绕AutoRL这条工程路线，Pyromind的产品形态围绕RSI逐步展开：Studio将分散的数据清洗、训练管线编排、Reward Model配置与评测流程沉淀为可复用、可审计的标准流水线；Studio Copilot嵌入Studio工作流，把领域专家在轨迹筛选、失败归因、评测建议和训练管线创建等环节的经验，转化为系统可执行的规则与辅助能力；EchoMind则作为AutoRL架构的进化入口，将上线后的环境探索、数据生成、Reward动态演进、策略更新与稳定性校验接入同一闭环，推动产品矩阵沿着降低人工介入、保留安全边界、持续更新模型能力的方向推进。
详见文章：走向 RSI：Pyromind 如何依靠 AutoRL 开启模型自进化
第三是跨场景验证。软件Agent、工业识别和具身智能看似分散，背后都需要任务定义、Reward设计、评估验证和训练更新。Pyromind如果能在这些场景中复用reward model设计方法与训练流程，就有机会把客户项目变成平台能力来源。这也是公司未来最值得观察的部分。
不同客户项目之间，Reward设计和训练流程能复用到什么程度？持续更新能否避免旧能力退化？客户项目中的训练、评价和更新经验，能否沉淀为通用能力？场景增加后，交付成本能否下降？这些问题决定Pyromind能走多远。产业化RSI 需要更强的智能上限，也需要可靠的工程系统、评估体系和商业闭环。基础设施公司的价值，来自把复杂过程变成可重复的产品能力。
RSI的长期想象，常常指向AI参与自身研发、自动设计更强模型，甚至推动智能增长曲线发生变化。但在产业现场，它可能先以更具体的方式出现：Agent在真实生产任务中持续运行，从失败和反馈中学习，通过验证后发布新版本，并持续带来业务回报。这一路径没有那么科幻，却更接近当下企业愿意付费的需求。客户关心的是Agent能否在流程变化后继续适应，能否把过去一段时间学到的经验转化为新的能力，能否在可控边界内稳定提升ROI。
Pyromind把这个远期命题压缩进企业真实任务、反馈评价和模型更新之间。用更具体的Reward设计举例：Pyromind先把企业任务拆成可评价的目标、失败类型和过程节点，再为不同节点选择合适的评价信号。最终结果只能说明任务有没有完成，但无法解释哪些中间步骤推动了完成；因此在多轮Agent轨迹中，Pyromind会把过程拆成关键子目标，判断某一步是否完成了必要信息查找、是否让答案可见、是否把任务推进到下一阶段，并把这些过程判断沉淀为 Reward。
Pyromind覆盖更长的评价链路：把最终结果、过程轨迹、确定性规则、环境反馈和多模态信号组合起来，用于数据筛选、Reward构造和模型训练，再通过下游任务表现验证这些信号是否有效。
由此看来，Pyromind回答的是一个更接近产业的问题：当Agent进入生产系统之后，持续进化本身如何成为一种可验证、可交付、可泛化的基础设施能力。
Ref.
https://arxiv.org/pdf/2607.20327
https://www.anthropic.com/institute/recursive-self-improvement
