Идея рекурсивного самоулучшения (RSI) появилась у И. Дж. Гуда в 1965-м: он описал «ультраинтеллектуальную машину», которая превосходит людей во всех интеллектуальных занятиях и проектирует машины лучше себя. Юдковский в 2008-м назвал это петлёй обратной связи: ИИ своим текущим интеллектом улучшает механизмы, которые этот интеллект производят. В современных frontier-лабораториях вроде Anthropic и OpenAI темпы исследований резко ускорились. Но RSI — не обязательно прямое переписывание собственных весов. Это улучшение тренировочного пайплайна и системы развёртывания, которое даёт более сильную следующую модель.
Ключевая часть тут — harness, обвязка вокруг базовой модели. Harness решает, как модель думает, планирует, вызывает инструменты, хранит артефакты и оценивает результаты. Слой между сырой моделью и реальным миром не менее важен, чем её «чистый» интеллект, и успешные примеры — Claude Code и Codex. Это уже не промпт-шаблоны, а ближе к рантайму и проектированию ПО. В тексте выделены три паттерна. Первый — автоматизация воркфлоу: цикл «план — действие — наблюдение — улучшение», как в репозитории Карпати autoresearch. Второй — файловая система как постоянная память: логи, диффы и трассы не пихают в контекст, а хранят в файлах. Третий — субагенты и фоновые задачи: главный агент запускает параллельных исполнителей и собирает результаты из файлов и логов, а не из мимолётного чата. Интерфейс кодинг-агентов уже стабилизировался в Claude Code, Codex, OpenCode и Cursor-стиле.
Оптимизация обвязки начинается с контекста. Agentic Context Engineering (ACE) превращает контекст в структурированный «плейбук» из пунктов с идентификаторами. Meta Context Engineering (MCE) отделяет механизм управления контекстом от его содержимого и эволюционирует навыки на мета-уровне. Meta-Harness уходит ещё глубже: объект оптимизации — код, который решает, что хранить и показывать модели. Рабочие процессы тоже ищут алгоритмически: ADAS заставляет мета-агента писать новых агентов в коде, AFlow ищет граф воркфлоу через MCTS. Ручные пайплайны вроде AI Scientist или ScientistOne работают, но это скорее экспертный дизайн, а не самоулучшение.
Самосовершенствующиеся harness-системы начались с Self-Taught Optimizer (STOP): модель улучшала не решение, а функцию-улучшатель. Слабым моделям это не помогало — рекурсивная структура без достаточно сильной базы деградирует. Self-Harness использует цикл «сбор слабых мест — предложение правок — проверка на регрессиях». Agentic Harness Engineering (AHE) строит эволюцию на наблюдаемости: каждая правка — файловое, проверяемое утверждение, а среда исполнения защищена от reward hacking.
Эволюционный поиск тоже применяется. AlphaEvolve хранит пул программ и эволюционирует их через диффы; Darwin Gödel Machine (DGM) позволяет агенту править собственный harness-код. Совместная оптимизация с весами — направление SIA и Continual Harness, но там результаты пока сложно интерпретировать. Главный вызов: генерация правдоподобных статей — не то же самое, что научное открытие. В автономных пайплайнах остаются выдуманные цитаты, расхождение реализации и слабые эксперименты.