GEAR 是一款面向递归自我改进（RSI）的开源模块化通用框架，定位类似 Scikit-learn，支持研究者组合、替换和比较不同进化策略，并复用任务执行、评测与版本管理能力。框架将父版本选择、修改方案规划、任务采样、评分和候选排序拆分为可替换模块，配套共用设施记录候选版本、运行条件与评测证据；同时采用基于元学习的双层自进化结构：内层执行具体任务生成经验，外层汇总跨任务经验以优化可复用的 Agent 运行框架，从而解决 RSI 领域采样、候选评测和多样性管理三大共性问题。实验显示，在固定目标模型权重不变时，经 GEAR 进化的 Agent 运行框架在营销、客服、代码三类任务上的通过率和目标完成度均显著提升，且进化所得运行框架可跨不同推理档位和模型复用。该框架既可作为研究者对比自进化方法的实验平台，也可接入真实业务流程，通过任务集迭代优化相关工作流。