开源Agent框架刷爆ARC-AGI-3，「自我改进」的RLM harness引争议
一款新开源的智能体框架（harness），声称在 ARC-AGI-3 上联合 Opus 5 拿到了 95.5% 的成绩，超过人类专家基线。官方帖子迅速获得大量关注，GitHub 星标已接近 5 千。
要知道，ARC-AGI-3 不是那种「刷过题库就能拿高分」的考试，它是一堆完全陌生的抽象游戏，每个游戏的规则、目标、甚至操作逻辑都不相同。你进去之后，没人告诉你该做什么，你得自己摸索、试错、归纳，然后在有限的行动预算内完成目标。
这个框架名叫 Prime Agent ，由 Prime Intellect 发布。官方对它的定义是： 一个面向编程、研究和长时间自主任务的「自我改进 RLM harness」 。
项目链接： https://github.com/PrimeIntellect-ai/prime-agent
RLM 是 MIT 博士生 Alex Zhang 等人去年 10 月发布的一项工作，其全称是 Recursive Language Models，即递归语言模型。按照论文里的介绍，它是一种将输入上下文视为可操作「变量」的通用推理策略：主模型在类似 Jupyter 的编程环境（REPL）中工作，通过编写代码对庞大的上下文变量进行切分与过滤，并将子任务递归外包给临时的小模型调用，最终综合各结果形成答案 —— 例如在 Python REPL 中调用 GPT-5 及 mini 版迭代处理用户提示。
当时，它的效果就已经非常惊艳：在 OOLONG 等最难长上下文评测中，GPT-5-mini 采用 RLM 的正确率超直接使用 GPT-5 两倍以上且单次成本更低。因此，研究者断言，这将是一个强大的新范式，且相比纯 CoT 或 ReAct 代理，显式训练以递归推理为核心的 RLM 很可能成为推理时扩展能力的下一个里程碑。
如今， Prime Agent 把 RLM 论文的核心理念进一步工程化落地了，并在此基础上做了重要扩展 。我们一起来看一下他们做了哪些创新。
Prime Agent 为什么那么强？
官方博客里写的很清楚：它彻底重构了「harness 该怎么设计」这一底层假设。
Prime Intellect 团队认为，现有的 harness 设计都是围绕早期模型的能力建的 —— 固定的工具调用格式、强制的上下文压缩、设计时写死就再也不变的子智能体和提示词。这些脚手架非但没有帮模型发挥，反而逼着模型去绕过自己的框架。模型越聪明，旧的 harness 就越像一副不合身的镣铐。
Prime Agent 的解法是把这套脚手架彻底打开。它做了两个关键设计：
一是 RLM ，给模型一个持久的 IPython 内核当 REPL 用，上下文是变量、子智能体是函数调用，模型可以直接用代码操作自己的历史、工具和子智能体。即使会话被压缩，完整历史仍保留在外部状态中，需要时可被程序化取回；
二是 Continual Harness ，把提示词、技能、记忆和子智能体全部变成运行时可 CRUD 的状态，agent 能在执行过程中实时创建、修改、调用它们，甚至跨会话通信。
换句话说，Prime Agent 不是给模型配了一套更聪明的工具箱，而是把工具箱的钥匙交给了模型自己。
在 ARC-AGI-3 这种每道题规则都陌生的战场上，它能一边做题一边改写自己的解题策略，而不是被出发前的预设绑住手脚，所以它能在 ARC-AGI-3 上以更少的 token 消耗跑出更高分数。
Prime Agent 怎么让 Agent 持续工作？
但「把钥匙交给模型」只是一层。Prime Agent 还试图解决一个更现实的问题：
Agent 怎么才能连续工作几个小时、几天，甚至在人退出终端后继续运行？
为此，它在底层放了一个后台 daemon，统一管理所有正在运行的会话。每个子智能体都有独立的上下文、文件目录、IPython 状态和会话记录。一次任务结束后，子智能体不会立刻被销毁；主智能体可以记住它的 ID，过一段时间再把它叫回来继续工作。
这和常见的「一次性外包」不太一样。
普通多智能体系统里，主 Agent 把任务扔给子 Agent，拿到一份摘要，双方关系就结束了。Prime Agent 中的子智能体更像一个长期项目成员：它保留自己的工作现场，主 Agent 可以追问、纠偏，或者让多个 Agent 直接交换信息。
Prime Agent 架构图。 为了让任务真正跑得足够久，Prime Agent 还把长期自主运行拆成了三个机制：
Goal 负责保存一个持续目标，在任务完成前不断提醒 Agent 继续推进；
Heartbeat 按固定时间把消息重新注入会话，例如检查子智能体进度、轮询实验结果；
Autonomous Mode 负责在一轮输出结束后自动续跑，避免 Agent 做到一半就停下来。
用户则可以给它设置最大轮数、token 预算和执行时间，并设置一道完成前必须通过的测试。比如让它修改一个项目时，测试没通过，系统就会把失败结果重新交给 Agent，让它继续修；如果工作区没有变化，也不会毫无意义地重复执行同一个失败测试。
所以 Prime Agent 所谓的「长时间自主」，并不是简单地给模型一句「继续努力」，而是把目标保存、定时唤醒、自动续跑、失败反馈和资源上限做成了一套运行机制。
Prime Agent 是如何「自我改进」的？
最值得解释的，是它的 /refine。
Prime Agent 会读取自己刚刚经历的完整轨迹：尝试过什么、在哪里失败、什么方法有效，然后把可复用的经验写回 harness。
这些修改可能是一条新的提示词备注、一段记忆、一个技能，也可能是一份新的子智能体配置。比如它发现某类测试经常因为网络波动失败，就可以把「先重试再判断代码错误」沉淀成一个技能；如果某个子智能体的分工方式效果不好，它也可以修改这个子智能体的说明。
不过，它不能改写最底层的系统提示词。每次 refinement 都会记录触发原因和修改结果，并保留历史版本，出现问题时可以回滚。
这也是 Continual Harness 和普通「长记忆」的区别：它不只是把过去发生的事存下来，而是试图把经历转化成下一轮可以直接调用的能力。
在官方展示的 Factorio （ 一款 2D 工厂模拟游戏 ）实验中，Prime Agent 就把一次次成功和失败转化成记忆与技能，不断改进工厂布局，几个 小时内把生产分数推到了 10 万以上。