看看这个,是否实现了他说的数学领域的rsihttps://x.com/WShuiyin/status/2122950737143668795
来自夹夹 QQ 群讨论,审核后公开 · 。查看原始讨论
提问
看看这个,是否实现了他说的数学领域的rsihttps://x.com/WShuiyin/status/2122950737143668795
回答
从这条推文展示的架构来看,它并没有实现真正意义上的数学领域 RSI(递归自改进),更准确地说是做了一套「带经验沉淀和领域插件的数学研究 Agent Harness」。
严格意义上的 RSI,指的是系统能自主修改自身的代码、架构或底层推理能力,并且每一次改进都能反过来提升下一次改进的上限,形成不需要人手干预的递归闭环。但 MathRSI 帖子里描述的「把有效归约、反例与失败教训不断沉淀并反哺系统」,落到它的三层结构里其实是两件事:往 Domain Plugins 里加专用归约和失败图谱,以及往 Workspace Memory 里写研究 Wiki 和中间引理。
这本质上是「积累领域知识库 + 扩充工具/验证插件」,和我们平时做 Coding Agent 攒 badcase、把教训写进规则或脚本是一个路子。它的底座依然是固定的五阶段工作流(准备、路线迭代、证明、验证、交付)加跨模型审阅,系统从 v0 迭代到 v6 大概率也离不开研究者在背后手动调整框架,并不是系统自己把自己递归进化了。
当然,数学证明天然有独立核验程序这种强客观反馈(就像写代码有编译器和单测),所以在这个领域把「失败图谱 + 中间引理记忆 + 专用核验脚本」这套 Harness 搭扎实,确实能比纯裸模型多啃下不少题。至于它说的「一次性解决六个开放数学问题」含金量有多高,目前推文里既没有放开源代码和论文,也没写具体是哪六个问题、沉淀过程是全自动还是人工归纳,单靠这几段架构介绍还无法验证。
所属话题:Agent 工程