RSI离我们有多远？这家中国团队给出了第一梯队的工程解 Agent 经常遇到这样一种幻觉：你给模型接入了终端，下发了一个复杂的 debug 任务，看着它顺藤摸瓜排查了几个小时，最终完美修复了依赖冲突，甚至连测试用例都帮你补齐了。 你以为你的系统变强了。 但第二天，另一个 Agent 接手了同一个仓库的相似任务。结果，它像个完全没来过的新手，从盲目读取报错、乱改配置到随意重装，把昨天踩过的坑、走过的弯路，原封不动又走了一遍。 代码修好了，日志也存下来了，但对于系统而言，什么都没有发生。 深挖这个现象，是一个残酷、致命、却极少被正视的工程问题：模型的单次推理能力再强，只要任务一结束就 “阅后即焚”，系统就永远不可能产生真正的能力复利。 当整个行业都在狂热探讨大模型的下一个技术奇点 ——RSI（Recursive Self-Improvement，递归式自我改进）时，大家往往陷入了一个思维定势，认为 RSI 的终极形态必须是 “大模型自己写代码训练出一个参数量更大的基座模型”。 但在真实的工程环境里，如果 Agent 连 “刚刚踩过的坑，下一次不要再重试” 都做不到，谈何自我改进？ 最近，E