核心内容总结
Weco的AIDE²实验是首个被严格验证的“一级递归自我改进（RSI）”案例：它通过“外层Agent改进内层Agent”的结构，在固定成本、多任务测试、私有评分等硬约束下，持续找到比人工手调更有效的Agent工作方法，但并未实现“点火”（改进自身改进能力）或智能爆炸。这个实验的价值在于把模糊的“AI自我改进”变成可量化、可复现的科学问题，对产业研发有实际指导意义，但离科幻中的“AI自我进化”还很远。
一、实验咋运作？外层“教练”改内层“运动员”
AIDE²的结构像“教练带徒弟”：
- 内层Agent是“运动员”：负责具体干活——改代码、跑实验、优化任务得分（比如机器学习模型调优、组合优化）。
- 外层Agent是“教练”：不直接做题，而是盯着内层的“工作方法”（比如搜索策略、上下文组织、调试规则），重写这些规则后，让新版内层Agent去测试；如果表现更好就保留，否则放弃。
关键细节：它没改基础模型（比如Claude或Gemini的权重），只改Agent的代码流程和工作逻辑。所以它更像“自动化的研发工程师”，不是自己训练自己的通用智能体——前者能帮公司省人力，后者才是科幻里的“自我进化”。
二、为啥结果靠谱？三个硬约束防“作弊”
很多所谓“自我改进”是假的（比如只刷某类题、靠砸钱提升），AIDE²用三个规则堵了漏洞：
1. 公开分vs私有分：内层能看到“模拟考分”（公开分）来调整方案，但最终是否保留要看“高考分”（私有分，内层看不到）。防止Agent只做表面功夫（比如把公开分刷高但实际没用）。
2. 固定成本：每次评估都有美元上限（模型调用+计算资源）。不能靠无限刷题、开更多机器来蒙混过关，必须把钱花得更高效。
3. 多任务测试：内层要做机器学习、组合优化、Agent脚手架等不同任务。避免只擅长某一类题的“偏科生”被保留。
这三个约束合起来，确保改进是“真有效”，不是“自我迎合”。
三、RSI分几级？AIDE²只过了第一关
Weco把RSI分成四级（不是行业标准，但方便理解）：
- 零级：能自动完成研发流程，但效率不如人工。
- 一级（AIDE²达到）：持续改进（不是一次偶然）、比人工好、能迁移到新任务、成本不无限上升。
- 二级（点火）：改进后的内层Agent，还能当外层Agent继续改进自己的改进能力（比如徒弟变成更好的教练）。
- 三级（拐点）：固定预算下进步加速，走向智能爆炸。
AIDE²的二级测试没通过：把改进后的Agent放到外层，虽然前期快了点，但最终上限和人工教练差不多，没有持续提升改进能力。所以它只是“把当前工作做得更好”，不是“把找更好方案的能力做得更好”。
四、产业关心啥？不是爆炸，是咋用“黑箱”
对企业来说，智能爆炸太远，眼前的问题更实际：
AIDE²优化出的Agent代码很复杂，像“黑箱”——人看不懂、难维护、出故障时没法快速定位。比如AIDE85有死代码，团队要上线它，得解决：
- 怎么记录每次修改的来历？
- 怎么重放它通过的实验？
- 怎么隔离有问题的修改？
- 怎么给客户解释“机器生成但人不懂的方案”？
未来研发团队的核心能力，不是敢让Agent自我修改，而是能设计严格的实验环境（比如私有分、固定成本），让Agent没法“假进步”，还能在它跑偏时拉回来。
五、意义和局限：一小步，但不是虚的
意义：首次用科学方法证明，在严格约束下，Agent能持续找到比人工更好的工作方法。这让研发团队重新思考：未来Agent不只是“产品”，还是“永远在改的研究对象”。
局限：
- 没改基础模型权重，离“自我进化”差得远；
- 代码可解释性差，维护成本高；
- 结果是公司报告，需要独立复现验证。
它不是“AI革命”，但给产业指了一条路：用严格实验把模糊的AI能力变成可落地的工具。
最后一句话总结
AIDE²证明了“AI能帮人改进AI的工作方法”，但还没证明“AI能自己变得更会改进自己”——这是一小步，但让我们离“可控的AI自我改进”更近了一点。