Agent自进化涨了13.5个点，换个模型只剩2.2

Agent自进化这两年方法很多：有的改Prompt，有的改Skill，有的改Tool，也有的直接改Harness，也就是Agent外面那层执行与编排框架。问题不在方法少，在比较难。很多论文会自己搭执行环境、评测方式和搜索流程，分数都在涨，但底层条件不同。提升到底来自方法本身，还是来自一套更顺手的实验环境，很难判断。

RSIHub想解决的就是这件事。论文作者把它做成一个开源框架，把执行环境、Evaluator、数据切分、版本管理和恢复机制统一起来。不同evolution方法只负责决定：选哪个候选、怎么看轨迹、改什么、留下什么。作者把AHE、Hyperagents、A-Evolve、GEPA搬进同一套框架，没有修改框架核心，方法特定逻辑留在recipes和operators里。

实验在Terminal Bench 2和τ³ Banking上做，使用MiniSWE和Codex，模型与评估器配置固定。结果很具体：Terminal Bench 2上，MiniSWE最高从56.2%提升到69.7%，涨了13.5个百分点。换成更强的Codex，最大提升只有2.2个百分点。到了τ³ Banking，方法排名又发生变化。有些方法整体分数提高，held-out split反而退步。held-out split可以理解成留出来、没有参与调优的那部分任务。

这也是有网友EVE在回复里强调的点：如果方法只在自己调过的环境里变好，那就是对harness过拟合，并非真的学习。公共实验台早就该有。另一位网友则直说，评测环境不统一很难受。

RSIHub的价值，更多在让候选历史可检查、评估条件绑定结果、组件可复用，少造一个榜单。大家已经很会让Agent改自己了。接下来要判断的是，它真的学会了，还是只是把当前环境调得更顺。

论文页：arXiv:2610.32253
PDF：arxiv.org/pdf/2610.32253
HTML：arxiv.org/html/2610.32253v1