在Agent领域，递归式自我改进（RSI）已找到现实应用路径：Agent无需修改模型权重，而是通过迭代调整Prompt、工具调用规则、记忆管理等外围Harness组件，形成自我改进的闭环。然而，传统无约束的Harness进化过程存在三大问题：反复使用同一组任务迭代优化，易导致基准拟合、追逐评估噪声和复杂度累积。这些问题使得进化集分数虽持续上涨，但在未见过的OOD任务上表现不佳，收益大幅缩水，同时还会推高推理成本。谷歌提出的正则化递归自我改进框架（RRSI）不限制Agent的自我修改空间，而是从提案端限制单轮修改的复杂度，并留存完整进化历史以引导探索；从筛选端严格验证修改的泛化性和性价比，过滤无效改动。实验表明，RRSI在进化集分数略低于无约束进化的情况下，在多类未参与进化的OOD基准上表现更优，同时大幅降低了推理Token的消耗。在30轮进化中，仅约三分之一的改动被验证有效并留存。该研究指出，RSI的核心不在于追求无限制的自我修改，而在于实现可泛化的自我改进，使Agent能够筛选出真正具备普适性的有效进步。