Agent 必须通过“做梦”来实现递归自我改进，而历史，就是它梦境的世界。
递归自我改进（Recursive Self-Improvement，RSI）正成为自主 Agent的重要发展方向之一。在这一范式下，Agent 提出候选方案，评估执行结果，根据反馈继续修改，再将更好的结果用于下一轮发现。
然而，当 Agent 在长程任务中执行的搜索多达数百乃至数千轮时，决定其效率的已不只是单次生成能力，还包括如何分配探索资源，选择哪些方向、保留哪些分支、并行多少尝试，以及何时停止。
现有系统大多采用人工设计且基本固定的探索策略，一旦搜索空间扩大后，这些策略很难根据已有经验调整，可能持续把算力投入低价值方向；在线优化探索策略也是一个讨论较多的方向，但其判断一个策略是否有效，通常要等它完成一段长程探索，而元策略空间本身又非常大，大量候选策略必须经过实际运行才能比较，既昂贵又滞后。
为应对这些挑战，谷歌团队及其合作者提出了Dream-RSI，一个用于可扩展、递归自我改进探索的框架。
他们的关键洞察在于，累积的发现历史可以充当针对已实现搜索空间的回放模拟器。通过在由历史发现树构建的回放模拟器中进行“做梦”（dreaming），Dream-RSI 获得即时、低成本的异策略反馈，用于评估和改进探索策略，而无需进行重复且昂贵的在线评估。
论文链接：https://arxiv.org/pdf/2609.14858
在算法工程、数学优化和 GPU kernel 工程领域，Dream-RSI 取得了有竞争力或更优的发现质量，同时在多个设置下大幅降低了发现成本。
研究方法
Dream-RSI 首先将探索过程转化为一个显式、可编程的控制问题。研究团队在原有 coding Agent 之上增加了一层轻量级编排机制，由探索策略决定从哪个已有结果继续尝试、何时开启新的搜索分支、同时运行多少条分支，以及何时终止当前搜索。底层 coding Agent、评估器和执行接口均保持不变，变化集中在探索策略本身。
这种设计将系统区分为两个层次。对象层负责解决具体任务，例如改进 Lasso 求解器、构造数学解或优化 GPU kernel；元层则负责决定如何搜索这些候选方案。过去的系统通常将主要资源投入对象层，持续优化具体结果；Dream-RSI 则尝试直接优化元层的探索行为。
一次在线探索会形成一棵结构化的发现树。树中的每个节点对应一次候选方案的生成与评估，并记录搜索分支、决策位置、执行结果、评估反馈和计算成本等信息。Agent 可以沿着当前思路继续优化，也可以从根节点重新开启一个方向。经过多轮搜索，这棵树会保留下 Agent 实际走过的路径，包括成功改进、性能退化、实现错误以及已经陷入停滞的方向。
同时，这棵发现树可以作为一个经验性的重放模拟器。它与基于模型的强化学习（RL）和世界模型（World Model）存在相似之处。Agent 第一次在真实环境中探索时，需要承担完整的交互成本；当路径和结果被记录下来之后，后续策略就可以直接在这张“地图”上规划，无需重新访问所有位置。
图｜重放模拟器。
不同的探索策略可以在同一棵历史树上形成完全不同的重放轨迹。有的策略优先深入当前最佳分支，有的策略更早开启新的搜索方向；有的策略将多个尝试组成并行批次，有的则在较少步骤后停止。只要对应节点已经存在于历史树中，系统就可以直接读取保存的执行结果，无需重新调用 coding Agent，也无需再次运行评估器。
因此，一次成本较高的在线发现过程，可以支持大量低成本的异策略（off-policy）评估。探索策略获得反馈的时间也随之缩短，无需等待新一轮长时程运行完成，而是可以直接从历史记录中获得结果。研究团队将这一过程称为“做梦”：在将策略部署到真实环境之前，系统先在由历史构成的世界中模拟不同选择。
图｜Dream-RSI 概述。
Dream-RSI 由三个连续阶段组成。第一阶段是在线探索，由当前策略控制 coding Agent 扩展发现树，并保存完整轨迹；第二阶段是模拟器构建，系统将新的发现树加入历史集合，形成持续扩大的重放模拟器池；第三阶段是基于“做梦”的策略改进，多个候选策略在模拟器池中接受比较，系统根据重放反馈调整探索行为，并选出新的策略版本。
改进后的策略随后返回在线环境，驱动下一轮真实发现。新的在线结果会进一步扩充模拟器池，使下一轮离线比较能够覆盖更大的搜索区域。由此，Dream-RSI 形成了“在线收集历史、离线重放评估、重新在线部署”的循环，探索策略也在这一过程中持续迭代。
这种历史利用方式与直接总结经验并写入 Prompt 有明显区别。Prompt 级方法通常将历史压缩为“下一轮应该关注哪些方向”的语义建议，容易引入较强的先验偏置。Dream-RSI 则保留历史中的分支结构和实际结果，让策略通过交互式重放判断哪些路径值得继续。历史被保留下来，成为一个可以反复试验和比较的环境。
实验结果
研究团队在算法工程、数学优化和 GPU Kernel 工程三个领域对 Dream-RSI 进行了评估，并采用 Recursive Fixed Exploration 作为受控基线。两种方法使用相同的 discovery Agent、评估器、初始化策略和资源约束，区别在于后续轮次的探索方式，固定探索策略保持不变，Dream-RSI 则根据历史回放持续调整探索策略。
1.算法工程
在 Lasso 正则化路径求解任务中，他们使用了 17 个合成实例进行发现，并在 6 个保留的下游数据集上测试了泛化能力。结果显示，Gemini-3.1 Pro + Dream-RSI 将平均运行时降至 2931.0 ms，优于固定探索策略的 3587.1 ms，同时调用次数减少 233 次；Gemini-3.7 Flash + Dream-RSI 以 1879 次调用取得 2350.6 ms 的平均运行时，同样优于固定探索策略的 2516.7 ms，而调用次数从 3200 次降至 1879。
另外，Dream-RSI 在这一任务上还展现出了较高的计算效率。作为对比，Gemini-3.1 Pro + Dream-RSI 仅需317次 discovery Agent 调用，就获得了更低的平均下游运行时间，调用预算约减少 162 倍。作为对比，SimpleTES 需要进行 51200 次生成。
此外，Dream-RSI 发现的求解器在 6 个保留下游任务上的表现均优于 sklearn 和 glmnet 的标准实现。
图｜Lasso 正则化路径探索发现结果。
2.数学优化
数学优化实验设计和差集问题（Sum-Difference）、圆堆积（Circle Packing）和自相关不等式（Autocorrelation Inequalities）三项任务。Dream-RSI 与固定探索均使用 Gemini 3.1 Pro，运行 10 轮递归发现。
在和差集问题上，Dream-RSI 得分为 1.145427，高于固定探索的 1.144047 和 SimpleTES 的 1.143975；在圆堆积任务上，Dream-RSI 取得 2.635983，与对比方法中的最佳结果持平；在自相关不等式上，Dream-RSI 得分为 1.456375，保持竞争力，但低于固定探索和 SimpleTES。
他们强调，Dream-RSI 在这些数学任务中使用的生成次数低于1000次，明显低于 SimpleTES 的 51200 次。
图｜在数学发现任务上的性能对比。
3.Kernel 工程
在 KernelBench 的 GPU Kernel 工程实验中，他们测试了 VGG16、LayerNorm、ConvDiv 和 ConvMax 四项任务，候选 kernel 先通过数值正确性检查，再以运行时间倒数衡量性能。
Dream-RSI 在 VGG16 和 LayerNorm 上，分别以 2.43 倍和 1.79 倍更少的生成次数达到与固定探索相近的性能；在 ConvDiv 和 ConvMax 上，在相近发现预算下，其性能分别达到固定探索策略的 2.09 倍和 1.44 倍。
图｜GPU kernel 工程结果。
进一步分析显示，把历史直接压缩成 Prompt 中的方向性建议，并不一定能帮助长期探索。在 ConvDiv 任务上，加入显式语义指导后，固定探索、Dream-RSI 的性能都低于未加入指导的版本。
他们认为，在多分支并行探索中，过强的方向性偏置可能会过早收缩搜索空间，反而抑制探索多样性。
图｜在 ConvDiv 上的发现性能。
此外，Dream-RSI 的探索行为也会随阶段的变化而变化。在 ConvDiv 的多轮实验中，系统的单轮最佳性能从 0.427 提升到 1.898，探索尝试数则从前两轮的 110 次，逐步下降至第 4 轮的 50 次，当性能增速放缓后，系统又将探索量提升至 80 至 92 次，并继续获得性能增益。
这表明其策略并非持续扩大搜索，而是在已有进展较好时节省计算，在进展停滞时重新增加探索力度。
图｜ConvDiv 上探索行为的演化。
随着自我改进的目标不断变难、搜索空间不断扩大，这种先在模拟器中“做梦”、再上线探索的编排方式，为自主 Agent 的持续进化提供了一条绕开昂贵在线试错的路径。
