https://jiajia.fun/qa/97c212be-%E7%9C%8B%E7%9C%8B%E8%BF%99%E4%B8%AA-%E6%98%AF%E5%90%A6%E5%AE%9E%E7%8E%B0%E4%BA%86%E4%BB%96%E8%AF%B4%E7%9A%84%E6%95%B0%E5%AD%A6%E9%A2%86%E5%9F%9F%E7%9A%84rsi

# 看看这个，是否实现了他说的数学领域的rsihttps://x.com/WShuiyin/status/2122950737143668795

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。
