AI 改写 AI 的代码,这件事本身不新鲜。新鲜的是:改完之后,把"为什么这么改"记下来,换一个模型还能接着用。
![]()
Google 与宾夕法尼亚州立大学的一篇论文展示了这套机制——Self-Improvement Memory(SIM,自我提升记忆)。它记录智能体编译器(运行提示词与工具的代码)的每一次改动,让大语言模型在模型更换之后,仍能把此前积累的提升成果迁移过去。
问题出在哪?LLM 现在可以改写智能体编译器的代码。但模型或基准一换,得分就可能掉下来。代码里藏着修改的原因,可原因本身没有被单独保存。
SIM 的做法是给每次编译器改动建一条记录,包含三样东西:
- 目标问题是什么
- 推理过程怎么走的
- 实际测得的结果如何
优化器读取这份日志,在新环境里决定哪些旧改动保留、哪些需要修订。换句话说,日志成了跨模型传递经验的载体。
论文给出的数字很直接。当 Claude Opus 5.5 编译器迁移到 Gemini 3.8 Flash 的工作空间任务时,SIM 把得分从 68.41 提升到 84.75;不带日志的情况下,得分只有 73.42。
在 10 次重复编码实验中,SIM 以 2.36 分的平均优势获胜 9 次。
机制的核心动作可以概括为一句话:存储每项编译器改动的原因与得分,把这份日志带到新模型上继续跑。递归自我提升听起来玄,落到工程上,先是一份记得住来龙去脉的账本。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.