OpenAI的递归自进化（#RSI）已经走入现实。在最新发布的技术报告中，#OpenAI披露其前沿模型 GPT-5.6 已被部署到真实生产环境中，开始“左脚踩右脚”地对自身运行系统进行底层改造。在 Triton 创造者 Philippe Tillet 等五位顶尖工程师的带领下，该项目使 OpenAI 的端到端服务成本降低了 20%，Token生成效率提升了 15% 以上。
所谓 RSI（Recursive Self-Improvement，递归式自我改进），是指让 AI 进入“改进自身能力”的闭环反馈中。目前，GPT-5.6 虽然尚未实现全自动训练下一代模型的完全体 RSI，但它已经展现出极强的系统工程改造能力。它在生产环境中主要执行四项核心任务：首先，分析真实生产流量，智能调整节点间的路由策略；其次，深入模型的 forward pass，利用 Codex 重写并优化底层的 Triton 和 Gluon Kernel。
此外，该模型还会自动优化自身的推测解码（Speculative Decoding）系统。它为 draft model 设计方案，自主运行数百次实验测试不同模型参数，并在发生硬件故障时主动干预。最后，面对短对话、长上下文等不同任务，模型能自主搜索并配置最优的 batching、sharding 和 KV Cache 管理参数。这标志着模型已经从单纯的执行工具，演变为自我运维和优化的 AI 工程师。
尽管如此，“人类仍在环路中（Human-in-the-loop）”。代码上线、安全评估和最终优化目标仍由人类控制。为了解决 Agent 循环中重复调用的高昂成本，OpenAI 额外构建了一套由 Rust 编写的 Agent Harness 框架。该框架引入了“延迟发现（Lazy Discovery）”技术，避免一次性将所有 MCP 工具塞入上下文；同时采用“只追加、不回写”的机制来保护 Prompt Cache 的高复用率，大幅削减了多轮交互中的无效算力开销。
GPT-5.6 参与自身底层的系统优化，标志着 AI Agent 生态正从“应用层逻辑组装”向“底层基础设施自适应”迈进。相较于传统由人类工程师进行静态规则调优，GPT-5.6 的动态自进化能力，展示了 AI 系统在遭遇高并发、异构负载时的实时自我重构潜力。这种以模型为中心（Model-centric）的闭环反馈不仅极大摊薄了推理成本，更揭示了未来 AI Agent 的终极形态：它不再只是跑在沙盒里的孤立程序，而是能够深度理解、维护乃至物理重写自身宿主环境的“有机体”。随着 Agent Harness 降低了多轮调用开销，以及 RSI 在底层 Kernel 级别的突破，未来的 Agent 生态将全面迈向超低成本、超高自治的全新阶段。
