RSIFlow：有证据的三分支自改进控制¶

component_only / L1 CPU 机制诊断。实现固定 callback 控制器与技能经验记录，不训练语言模型，不执行任意元程序自改，不进入统一 Evolve 晋级。

论文信息¶

字段	内容
论文链接	RSIFlow
公司/机构	一作 Huan Zhang、共同一作 Mingju Chen；Beihang University；合作者包括清华、BAAI
首次公开日期	2026-10-15，arXiv v1 12:45:08 UTC；属于 10-16 公告补审，不是 10-17 首发
原文开源代码	作者仓库，MIT；发布的是 skill-memory variant，Meta 可执行程序固定
本地 Adapter	无（`adapter: null`）；组件 key：`rsiflow`
本地复现代码	`src/auto_research/agent_research/rsi_flow.py`；`scripts/run_oct17_supplement_agent.py`

原始论文总结¶

背景与主要改动¶

性能瓶颈可能来自模型参数、执行 Harness，也可能只是当前交付物。固定只改其中一项，或固定交替更新，未必对应当前失败。RSIFlow 的 Meta-Agent 用任务执行证据选择 Model / Harness / Artifacts 干预，比较同父代、同任务批的候选，并从成功和失败中维护技能。Meta 模型参数保持固定；本地遵循已发布的技能记忆变体，不把它扩写成任意自改代码系统。

flowchart LR
    P[冻结同一父代与训练批] --> E[父代轨迹与标量反馈]
    E --> S[选择M / H / A]
    S --> C[从父代构造候选]
    C --> V[作用域检查与paired评分]
    V -->|有效且增益为正| A[接受候选]
    V -->|失败或不改善| R[保留父代]
    A --> K[证据与技能记忆]
    R --> K
    K --> E
    A --> T[最后只读报告集]

原论文关键图¶

原论文 Figure 2（关键图）：展示原论文的整体流程、关键阶段及其数据流向。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式¶

原文 §3.2–3.3、附录 B将干预类型写成 \(a\in\{M,H,A\}\)，候选由同一冻结父代构造：

\[ C_{t,j}=U_{a_{t,j}}(P_t,\mathcal B_t),\qquad \Delta J=J(C_{t,j};\mathcal B_t)-J(P_t;\mathcal B_t). \]

只有候选有效且 \(\Delta J>0\) 才接受；否则下一次尝试仍从 \(P_t\) 开始。技能维护读取本轮训练经验，不能读取报告集分数。当前本地技能是结构化证据记录，也提供 skill_distiller callback 供可信调用方生成可序列化技能内容；没有内置 LLM 或程序执行器。

论文离线与线上效果¶

原文比较 Qwen3-4B/8B 上六套任务：HumanEval+、MBPP+、BFCL-v3、ACEBench、HotpotQA、2WikiMultiHopQA；作者报告 12 个 benchmark–backbone 条件中 11 个优于最强对照。训练池 3,000 任务，固定报告集 744 任务；任务成功、加权工具准确率和 QA F1 的口径不同，不能视作同一种准确率。未报告生产线上 A/B。

本地复现¶

数据协议与运行¶

PYTHONPATH=src python scripts/run_oct17_supplement_agent.py \
  --methods rsiflow --device cpu --seeds 42,43,44 \
  --output runs/oct17-supplement-agent/rsiflow.json

每 seed 初始化三批、每批四个数值 fixture 和五个独立报告任务；私有目标值仅由 evaluator 闭包持有。M/H/A proposer 只拿公共任务、父代标量分数及已有训练技能。每轮先产生一个明确实现失败，再产生有效候选，验证失败不会消失、不会污染父代。任务 ID 和规范化 payload hash 均检查训练/报告重叠。

本轮 CPU 结果¶

三 seed 均执行 6 次候选尝试，接受 3 次，保留 3 次实现失败和 6 条技能经验；同轮尝试的父代 hash 一致，报告反馈参与选择次数为 0。报告数值 fixture 均分为 -0.480937；它是人工数值任务的距离分数，不是 Agent 成功率或模型提升。指标、来源 hash 与 seed 见 CPU 产物。

代码映射、成本与边界¶

evolve 执行 callback、声明组件作用域、paired 接受和最后报告；Attempt 记录所有尝试，异常只保存阶段与类型，不把私有 evaluator 的异常文本回灌给下一轮；TaskState 以深拷贝和 hash 保护冻结父代。进程内 callback 是可信接口，不是对恶意 Python 的安全沙箱。

原文五轮、每轮最多两个候选、4B/8B、SFT/GRPO、16K/32K 与 8 ranks，加上 Meta API 和真实工具执行，完整多臂评测对单 A100/A30 或 Mac 成本过高，成本过高，不复现（审查 DONE）。本轮没有模型训练、六 benchmark 能力评测或可执行 Evolve 接入，promotion_eligible=false、evolve_integrated=false。