本文基于 OpenAI 官方 RSI 博客披露的工程数据，以OpenAI RSI 架构四层模型：执行层/验证层/协调层/安全层为框架展开分析。

为什么 OpenAI 让 Agent 代替人工作后，效率比只有 3.1:1 ，而不是 10:1 甚至 100:1 ？

答案不在执行层，而在验证层。 2026 年 9 月 6 日， OpenAI 发布博客披露了这个数字——每 1 个人类验证日对应 3.1 个 AI Agent 工作日产出， Agent 使用规模在 8 个月内增长了 124 倍。这个数字说明什么？ Agent 真的能替代人了？真正的问题不是"能不能"，而是"卡在哪儿"。

OpenAI 把这个里程碑称为"自动化实习生"（ Automated Research Intern ）目标的达成。用他们自己的话说："我们已达到去年秋季宣布的 2026 年 9 月目标——拥有一个在人类指导下完成明确验证任务的自动化系统。"

但 3.1:1 这个数字背后，真正值得深究的不是效率提升本身，而是支撑这个效率的技术架构——尤其是记忆系统。

本文基于 OpenAI 官方 RSI 博客披露的工程数据，以OpenAI RSI 架构四层模型：执行层/验证层/协调层/安全层为框架展开分析。

读完本文，你将能判断 RSI 在哪些环节已落地、哪些环节仍是瓶颈，以及如何评估自身团队的准备度。

RSI 的四层架构：从执行到验证

理解 OpenAI RSI 进展的关键，在于拆解它的技术架构。

2026 年 7 月，一篇收录了 1,250 篇 arXiv 论文的综述《 Recursive Self-Improvement in AI 》给出了一个清晰的框架。论文的核心论点是：自改进循环的强度，由验证器的强度决定。

将 OpenAI 的实践与框架对照，可以提炼出 RSI 系统的四层架构。

第一层：执行层

上下文管理

这是 Agent 直接产生输出的环节——写代码、跑实验、读论文、生成假设。 OpenAI 数据显示，这一层的渗透率最高： Agent 在 Build 和 Run 阶段贡献了大部分 token 产出。

执行层的核心挑战是上下文窗口管理。研发 Agent 的上下文窗口通常在 100K-200K token ，但研发任务的复杂度远超单次对话能覆盖的范围。一次迭代就可能消耗 50K-80K token ， 10-20 次迭代下来，上下文成本轻松超过 1M 。

OpenAI 的解法是分层上下文工程：全局上下文（项目规范、长期记忆）持久化存储，临时上下文（当前任务状态）按需加载。这在 LangChain 《 Context Engineering 》中被称为 Write/Select/Compress/Isolate 四策略

class ContextManager:
    """分层上下文：全局持久 + 临时按任务加载"""

    def __init__(self, global_ctx_path: str):
        self.global_ctx = self._load_persistent(global_ctx_path)
        self.temp_ctx: dict = {}

    def _load_persistent(self, path: str) -> dict:
        return load_json(path)

    def begin_task(self, task_id: str):
        self.temp_ctx = {
            "task_id": task_id,
            "recent_iterations": [],
            "active_tools": [],
        }

    def commit(self, result: dict):
        self.global_ctx["experiment_history"].append(result.summary)
        self.save(self.global_ctx)
        self.temp_ctx.clear()

为什么不用单一大上下文？ 共享状态会让所有 Agent 互相污染——Agent A 的中间结果会混入 Agent B 的上下文。 checkpoint 机制（每次任务开始/结束持久化状态）提供了明确的边界，代价是多一次 I/O ，但在多 Agent 场景下这是必要隔离。

第二层：验证层

验证器强度金字塔

这是 RSI 的瓶颈所在。 综述提出的验证层次模型：形式化验证器 > 测试套件 > 人类评审 > 自我评估。实际自改进强度与验证器强度正相关。

OpenAI 的 3.1:1 效率比，主要发生在有强验证器支持的领域——代码生成有 lint 和测试、实验运行有基准评测、 infra 维护有监控告警。这些都是"可验证的输出"。

但 Decisive 和 Design 阶段——决定"做什么研发""怎么设计实验"——恰恰是最难形式化验证的。这也解释了为什么超过 50% 的成功 4-8 小时任务仍需要至少一次人工干预。不是 Agent 不够强，而是验证器不够强。

def self_eval(prompt: str, response: str) -> float:
    """最弱：模型自我评分，容易高估"""
    return model.score(prompt, response)

def test_suite(passed: int, total: int) -> float:
    """中等：测试通过率，覆盖有限场景"""
    return passed / total if total else 0.0

def formal_verify(spec: Spec, output: Output) -> bool:
    """最强：形式化验证，数学保证（成本最高）"""
    return verify(spec, output)  # SMT solver / theorem prover

第三层：协调层

当多个 Agent 协作时，协调层需要支持跨 Agent 的状态共享。

from langgraph.checkpoint import MemorySaver
from langgraph.graph import StateGraph

app = GraphBuilder().compile(checkpointer=MemorySaver())

checkpoint vs 直接通信：直接共享内存适合单进程内的轻量协作，但在分布式或容器化部署下， checkpoint 是唯一可靠的方式。代价是延迟增加（每次交接需要持久化+读取），但换来的是故障恢复能力和横向扩展性。

第四层：安全层

审计日志

安全层的记忆是不可篡改的。所有 Agent 操作、模型调用、输出结果都被记录到审计日志中，供后续审查。 OpenAI 因安全审查暂停 Astra 模型 RL 训练，正是基于审计日志做出的决策。

记忆系统：各层如何实现"记住"

执行层：滚动窗口与摘要压缩

执行层的记忆本质上是工作记忆——它需要在有限的上下文窗口内保持任务连续性。主流做法有两种：

1.滚动窗口：保留最近 N 轮对话，超出部分丢弃。实现简单，但关键历史决策会丢失。

2.摘要压缩：对早期对话生成摘要，保留关键信息。信息密度更高，但摘要质量依赖模型能力。

OpenAI 的数据暗示他们采用了更精细的策略： Agent 在 Technical Help 和 Monitoring Runs 类别占比上升，说明 Agent 开始承担"记住之前发生了什么"的角色——这本质上是一种程序性记忆，即"如何做"的知识。

验证层：结构化测试记忆

验证层的记忆是结构化的、可查询的。测试用例、基准分数、历史结果以数据库或文件系统形式存储， Agent 可随时检索更新。这是 RSI 中最成熟的部分，因为验证记忆的本质是机器可读的自我评估。

协调层：跨 Agent 状态共享

如前所述，MemorySaver + checkpoint 是主流方案。关键设计点在于 checkpoint 粒度——太细（每步都存）性能差，太粗（只在任务结束时存）故障恢复成本高。工程上通常采用事件追踪 + 定期快照的混合策略。

安全层：审计日志

所有操作写入不可变日志（ append-only log ），支持事后追溯。日志本身也需要分层存储：热数据（最近 30 天）存 SSD ，冷数据归档到对象存储。

架构决策：为什么这样设计

RSI 四层架构模型

决策一：分层上下文 vs 统一上下文

方案	优势	劣势	适用场景
统一大上下文	实现简单，检索直观	Token 成本高，容易溢出	单 Agent 、短任务
分层上下文	Token 可控，模块边界清晰	设计复杂，需要额外的 Select/Compress 逻辑	多 Agent 、长周期任务

OpenAI 选择分层，是因为他们的研发任务平均周期以天计，且同时运行多个 Agent 。统一上下文在这种规模下不可行。

决策二： Checkpoint 持久化 vs 共享内存

方案	优势	劣势
共享内存	零延迟，代码简洁	单点故障，无法横向扩展
Checkpoint	容错、可扩展、状态可追溯	I/O 开销，设计复杂度上升

当 Agent 数量超过 4 个（ OpenAI 观察到这是常见配置）时， checkpoint 成为必要条件。

决策三：验证器强度与成本权衡

形式化验证效果最好，但实现成本极高——需要为每个输出定义精确的 spec ，且 SMT solver 的求解时间不可控。工程实践中，测试套件 + 人类评审的组合在成本和效果之间取得了最佳平衡，这也是 OpenAI 当前 3.1:1 效率比的真实构成。

实战：搭建一个简化版 RSI 系统

以下是一个最小可行实现，帮助你理解各层如何协作。代码纯 Python ，无外部依赖。

环境准备

import json
import time
import hashlib
from dataclasses import dataclass, field
from typing import Callable, Optional
from pathlib import Path

上下文管理器

@dataclass
class TaskContext:
    """单次任务的临时上下文"""
    task_id: str
    iterations: list[dict] = field(default_factory=list)
    tool_calls: list[dict] = field(default_factory=list)

class GlobalMemory:
    """持久化全局记忆：跨任务复用"""

    def __init__(self, storage_path: str):
        self.path = Path(storage_path)
        self.data = self._load()

    def _load(self) -> dict:
        if self.path.exists():
            return json.loads(self.path.read_text())
        return {"experiments": [], "decisions": [], "knowledge_base": {}}

    def save(self):
        self.path.write_text(json.dumps(self.data, ensure_ascii=False, indent=2))

    def add_experiment(self, result: dict):
        self.data["experiments"].append(result)
        self.save()

验证器

class Validator:
    """多层验证器：从弱到强"""

    def __init__(self, tests: list[Callable], human_review: bool = False):
        self.tests = tests
        self.human_review = human_review
        self.history: list[dict] = []

    def validate(self, output: dict) -> dict:
        results = {"output": output, "tests": [], "passed": True}
        for i, test_fn in enumerate(self.tests):
            try:
                passed = test_fn(output)
                results["tests"].append({"test": i, "passed": passed})
                if not passed:
                    results["passed"] = False
            except Exception as e:
                results["tests"].append({"test": i, "error": str(e)})
                results["passed"] = False
        self.history.append(results)
        return results

执行循环

def run_rsi_loop(
    context_mgr: GlobalMemory,
    validator: Validator,
    agent_fn: Callable[[TaskContext], dict],
    max_iterations: int = 10,
) -> dict:
    """RSI 核心循环：执行 -> 验证 -> 记忆"""
    ctx = TaskContext(task_id=hashlib.md5(str(time.time()).encode()).hexdigest()[:8])

    for i in range(max_iterations):
        output = agent_fn(ctx)
        ctx.iterations.append({"step": i, "output": output})

        result = validator.validate(output)
        if result["passed"]:
            context_mgr.add_experiment({
                "task_id": ctx.task_id,
                "iteration": i,
                "output": output,
                "valid": True,
            })
            return result

        ctx.tool_calls.append({"step": i, "feedback": "needs_revision"})

    return {"passed": False, "iterations": max_iterations}

运行示例

def test_output_format(output: dict) -> bool:
    return isinstance(output.get("result"), str) and len(output["result"]) > 10

def test_consistency(output: dict) -> bool:
    return "error" not in output.lower()

memory = GlobalMemory("rsi_memory.json")
validator = Validator([test_output_format, test_consistency])

def research_agent(ctx: TaskContext) -> dict:
    return {"result": f"实验结论：假设 A 在条件 C1 下成立（迭代 {len(ctx.iterations)}）"}

result = run_rsi_loop(memory, validator, research_agent, max_iteratinotallow=5)
print(f"RSI 循环完成：{'通过' if result['passed'] else '未通过'}")

这个简化版本展示了 RSI 的核心闭环：执行 → 验证 → 记忆更新 → 再执行。真实的 OpenAI 系统在验证器强度、 checkpoint 粒度和多 Agent 协调复杂度上要远超这个示例，但架构原理一致。

三层评估框架：你的团队准备好了吗？

三层评估框架

回到最实用的问题： OpenAI 的 3.1:1 对我们的团队意味着什么？

第一层：可自动化的重复性任务是否存在？ 如果团队中 80% 是跑实验、写代码、看日志， Agent 可以立刻提效；如果 80% 是创造性决策， Agent 能帮的忙有限。

第二层：验证机制是否可靠？ 实验有没有自动化测试？代码变更有没有 CI/CD ？验证成果有没有可复现的基准？没有验证器， Agent 产出只是"看起来合理"。

第三层：安全审查流程是否嵌入工作流？ 输出审核、权限分级、变更追踪——这些不是障碍，而是可持续性的前提。

三层都具备，才谈得上 RSI 实践。缺任何一层，先补齐基础设施，而非追求效率比。

结语

3.1:1 是里程碑，但不是终点。 OpenAI 的目标是 2028 年 3 月实现"完全自动化迭代"——还有 18 个月。

真正值得关注的不是"AI 已经能替代多少人"，而是"AI 还在哪些环节依赖人类"——规划、判断、价值权衡。这些地方，恰恰是人类不可替代的核心价值。

当 Agent 能帮你完成 3.1 倍的工作时，你可能不需要更多"执行者"了。你可能需要的，是更清晰的"决策者"，以及一套能支撑决策的记忆系统。

最后

我们整理出这套 AI 大模型 突围资料包：

    ✅ 从零到一的 AI 学习路径图
    ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
    ✅ 百度/阿里专家闭门录播课
    ✅ 大模型当下最新行业报告
    ✅ 真实大厂面试真题
    ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《 AI大模型 入门+进阶学习资源包》，下方扫码获取~

资料展示

下面是我整理的AI大模型学习资料和工具包预览，适合收藏后按主题逐步学习。

需要这份AI大模型资料清单的话，在评论区回复「清单」即可；我会根据大家的问题继续补充对应的实战内容。