Come il RRSI di Google permette agli agenti AI di migliorare se stessi senza perder di vista

Che cos'è il RRSI?

Google Research ha rilasciato una guida e il codice per un metodo chiamato Regularized Recursive Self-Improvement, o RRSI. Insegna agli agenti AI a riscrivere parti del proprio sistema — i prompt, gli strumenti, la memoria e il flusso di controllo — mantenendo congelato il modello linguistico sottostante. L'obiettivo è permettere agli agenti di evolvere senza overfittare sui compiti specifici su cui vengono addestrati.

Il ciclo di auto-miglioramento

Nella configurazione completa RRSI, una bozza di ciascuna modifica proposta viene creata chiamando Claude su Vertex AI, e la qualità di ogni modifica viene valutata all'interno di container Docker che eseguono benchmark ¹. Tuttavia, la parte che decide effettivamente quali modifiche sopravvivere è puro Python — senza bisogno di chiamate API.

Il sistema funziona a round. Ogni round propone diverse modifiche candidate, le valuta sui benchmark reali e poi applica un insieme di regole per scegliere le migliori. Queste regole sono il contributo principale del RRSI: mantengono il miglioramento costante senza permettere all'agente di deviare verso comportamenti overfittati o instabili.

Come il RRSI rimane stabile

Diversi meccanismi lavorano insieme per prevenire il caos:

• Noise band: Prima di confrontare i punteggi, il sistema aggiunge rumore casuale calibrato così che piccole differenze non causino oscillazioni selvagge nelle decisioni ¹.
• Cost rule: Ogni modifica ha un costo misurato in token. Le modifiche più economiche vengono preferite quando i guadagni di prestazioni sono simili.
• Annealed edit budget: All'inizio dell'addestramento l'agente può fare molte modifiche; più avanti ne fa meno, così smette di rimuginare una volta trovato un buon setup.
• Leakage screen: Un modulo critic verifica se una modifica proposta potrebbe esporre accidentalmente le risposte dei test all'agente, bloccando eventuali cambiamenti sospetti prima che vengano applicati.
• History tracking: Il RRSI registra ogni modifica, rileva quando i progressi stagnano e può aumentare l'esplorazione se l'agente rimane bloccato ¹.
• Novelty check: Il sistema misura se una nuova modifica è strutturalmente diversa dalle passate, premiando la variazione genuina.

Perché questo è importante

La maggior parte della ricerca sugli AI auto-miglioranti si concentra sul cambiare il modello stesso — riaddestrandolo o affinandolo. Il RRSI segue un percorso diverso: il modello rimane congelato e l'agente migliora il suo "harness" circostante. Questo significa iterazioni più veloci, costi inferiori e un modo più sicuro per studiare la modifica autonoma senza rischiare il deterioramento del modello.

Il ciclo RRSI completo richiede Claude e benchmark Docker, ma chiunque può eseguire la logica decisionale localmente per capire come l'algoritmo sceglie quali modifiche mantenere ¹.

Correzioni e aggiornamenti

• Corrected on 21 October 2026. Una versione precedente affermava che il team di ricerca includeva membri della UNC-Chapel Hill, Stanford University e Washington University in St. Louis; le fonti non menzionano affiliazioni universitarie di sorta.

I fatti principali

• Il RRSI mantiene congelato il modello linguistico di base e fa evolvere solo l'harness circostante dell'agente.
• Le modifiche proposte vengono abbozzate con Claude su Vertex AI e valutate in benchmark Docker.
• La logica centrale di selezione delle modifiche gira in Python semplice senza chiavi API o GPU.
• Uno schermo di fuga blocca le modifiche che potrebbero rivelare accidentalmente le risposte dei test.
• Un budget annealing permette all'agente di fare molte modifiche all'inizio e meno più tardi.

Fonti

1. Google Research RRSI Guide: Mastering Self-Improving AI Agents — marktechpost.com
2. GitHub - google-research/rrsi
3. PDF RRSI: Regularized Recursive Self-Improvement of Agent Harnesses — regularized-rsi.com