以知识为中心的自我改进

自我改进的AI系统通常把智能体当作被改进的对象：优化提示、工作流、治控甚至智能体自身的代码。这种以智能体为中心的视角使改进维护昂贵、难以迁移——因为增益被绑定到特定的智能体设计、任务分布或适配运行。我们研究一个互补范式：以知识为中心的自我改进——智能体保持通用、可弃置，而持久对象是一个可被智能体在未来任务中利用的精选知识库。我们经一个简单协议做受控案例研究以操作化该思想：智能体尝试一个任务，然后经任务级与跨任务论坛把有证据落地的洞见贡献到共享知识库，随后做知识蒸馏。因为自我改进包含在知识而非智能体中，改进可以更可检查、可迁移、可移植。在抽象推理、编码与终端基准上，该协议在降低美元成本的同时提升解题率（相对以智能体为中心的基线）；蒸馏出的知识还迁移到留出任务与跨LLM家族，表明改进不只是LLM或运行特定的行为。这些结果支持自我改进智能体系统的新观点：进步可以主要由精选的持久知识驱动。代码见https://github.com/recursive-knowledge/KSI。