一般化代理迭代：迭代政策改進與遞迴自我改進的正式框架
為何重要
對於致力於開發複雜 Agent 的研究團隊而言，本文提供了探索遞迴自我改善的數學基礎，有助於避免在設計自治系統時因缺乏形式化定義而引發的系統性缺陷。雖然目前僅為理論框架的提出，但它為未來在 RSI 機制上的設計與比較提供了標準化的語言。
遞迴自我改善（RSI）長期缺乏統一的正式框架，本文提出「一般化代理迭代（GAI）」學習範式，將傳統的迭代政策改進與 RSI 整合描述為同一機制的兩種情況。
- GAI 將代理人定義為系統中可修改元件的配置，並將學習過程建模為評估與改進的迴圈。
- 框架透過兩個關鍵維度區分案例：改善機制是否位於代理人內部（區隔 GPI 與 RSI），以及標準是否位於代理人外部（決定系統極性）。
- 研究人員利用這些坐標將現有系統進行定位，並將遞迴自我改善的具體缺陷以條件形式呈現出來。