Neste tutorial, implementamos o RRSI (Regularized Recursive Self-Improvement), um método que permite a um agente LLM reescrever sua própria estrutura (harness), prompts, ferramentas, memória, fluxo de controle e subagentes em torno de um modelo congelado, sem que a estrutura sofra overfitting para as tarefas em que evolui. O ciclo completo do RRSI elabora edições com Claude Opus no Vertex AI e as pontua dentro de benchmarks Docker, o que não pode ser executado em um notebook gratuito. A parte do RRSI que realmente carrega a ideia do artigo, as regras que decidem quais edições propostas manter, é Python puro, e é isso que vamos conduzir diretamente. Instalamos o pacote do repositório oficial, percorremos seu estimador, sua banda de ruído calibrada, ambos os ramos de seu algoritmo de seleção, seu orçamento de edição anelado, sua tela de vazamento determinística e seu histórico de edições, e então conectamos um agente simulado à própria interface de Domínio do RRSI. Como construímos o ambiente simulado nós mesmos, conhecemos o verdadeiro efeito de cada edição, o que nos permite auditar as decisões do RRSI em relação à verdade e compará-las com uma busca não regularizada que simplesmente mantém o que pontua mais alto. Copiar Código Copiado Usar um navegador diferente import os import sys import json import math import copy import random import tempfile import textwrap import traceback import subprocess import statistics as st from pathlib import Path RESULTS = {} def banner(title): print("\n" + "=" * 78) print(title) print("=" * 78) def section(name): def wrap(fn): def run(*a, **kw): banner(name) try: out = fn(*a, **kw) RESULTS[name] = out if isinstance(out, str) else "ok" return out except Exception as e: RESULTS[name] = f"SKIPPED / FAILED -> {type(e).__name__}: {e}" print(f"\n[!] {name} did not complete: {type(e).__name__}: {e}") traceback.print_exc(limit=3) return None return run return wrap banner("1. Instalar RRSI e mapear o artigo para o código") subprocess.run([sys.executable, "-m", "pip", "install", "-q", "git+https://github.com/google-research/rrsi.git@be50316e"
Fonte: MarkTechPost
Publicado em 2026-10-09