26年9月来自新加坡国立J Wang的论文“What Stops Recursive Self-Improvement in Robotics? Lessons from 1-2-3 Rounds of Agentic Skill Discovery”。

这篇论文最有价值的结论是：机器人能够自主发现并补上局部能力，但“技能库持续变化”不等于“机器人持续变强”。 它揭示了技能发现走向递归自我改进时，容易断裂的几个环节：失败归因、能力表达、技能组合和改进验收。

---

先明确本文中“RSI”和“技能发现”的含义。这里的 RSI（递归自我改进）主要体现为：智能体观察机器人失败，修改机器人软件，测试后将修改纳入下一轮。基础大模型本身没有在这个循环中训练或改写权重。“技能发现”则指发现缺失能力、编写可执行技能、引入外部模型及扩展已有技能。因此，它研究的是机器人软件系统如何积累能力，以及这种积累为什么停滞。

方法的核心，是让失败驱动技能库演化。 系统在 RoboCasa 仿真中控制 PandaOmron 移动操作机器人，主任务约有 15 个步骤：识别冰箱最上层、必要时清理已有物品，再把芥末和蛋黄酱搬上去。任务同时涉及主动观察、关系理解、移动、抓取和放置。

其框架可拆成以下几层（正文 §2、图 2所示）：

层次	职责	如何改变
任务程序	将指令拆成技能调用，并声明每步应达成的结果	编排智能体生成、保留和修订程序
技能库	实现物体定位、区域定位、接近、抓取、运动等能力；具有类型化输入输出	改进智能体根据失败修改代码
路由	为同一技能选择不同实现	每轮根据调用日志重新拟合
外部能力提供者（provider）	提供分割、深度、抓取生成、运动规划等能力	研究智能体检索、安装、封装和测试
评估与验收	判断步骤是否成功，比较新旧实现，检查泛化和回归	实验中由人类维护
记忆与反馈	保存失败、修改、研究请求和测试结果	为后续提案提供依据，但其机制也由人类维护

三个智能体分别负责“编排任务”“修改技能”“引入模型”。其中，改进智能体能看到相机关键帧、执行轨迹、评估诊断和历史修改；但机器人执行时，感知依赖技能调用的模型，并不直接获得改进智能体自身的视觉理解能力。

每轮的基本流程是：

执行任务 → 评估每个步骤 → 聚合失败形成能力缺口 → 修改技能或申请新模型 → 测试 → 接受修改并进入下一轮。

验收包括原始失败状态回放、新场景中新旧实现的配对比较、留出任务测试；后期还加入了封存失败样本和关联技能测试。需要注意，这些测试机制是在运行过程中逐渐修补完善的，不能把最终版本的严格程度套用于全部 123 轮。

如图 4 所示关系存在于何处。(a) 在采用概念级和指称表达式分割器的系统中，没有专门的模块来表征“上方”或“下方”；该关系是通过人工编写的“胶水”代码（glue code）来实现的。(b) 视觉-语言模型基于整幅图像来判定该关系；几何信息和主动观察行为仅用于验证或否定模型的判定结果。

一个有说服力的技能发现案例是主动搜索：目标物体最初不在视野内，系统却把可见的相似物体当作目标。人类修正评估器，使其准确报告“目标不可见”后，智能体提出主动选取观察视角的需求，引入规划能力，发现并推动修复起始位置被误标为障碍的问题，最终将其包装成可执行搜索技能。这个案例说明，正确的失败信息可以触发从“修补识别结果”到“增加观察行为”的能力扩展。

实验结果支持“局部能力获得”，但没有支持“端到端能力持续累积”。 附录表 5–7 给出比摘要更清楚的统计口径：

指标	结果	应如何理解
改进轮数、提案次数	123 轮、847 次提案	搜索活动持续发生
被接受的技能库改动	57 次，其中 51 次涉及感知	约 89% 的改动集中在任务前段
外部能力注册	86 次注册，涉及 20 个不同 provider 标识	不是发现了 86 个独立新模型
实际部署调用	20 个 provider 中有 8 个被后续任务调用	注册与接入执行之间存在明显断层
冰箱任务	0/486 次完成执行成功	主任务始终未完成
柜子任务	0/256	辅助任务也未完成
水槽任务	14/230，其中 9 次存在失败的中间步骤	最终状态成功未必意味着可靠完成操作过程
人工维护	113 次评估与运行框架修复	自动写技能仍依赖大量人工维护

此外，57 次改动并不等于 57 项新技能。附录说明，首次接受的改动在第 10 轮建立了“区域定位”技能家族，其余主要修复或扩展已有技能。

论文对停滞提出了三个重要解释。

1. 关系语义没有被模型可靠表达，智能体便把它变成越来越复杂的几何规则。

“找到架子”和“找到冰箱内部最上层架子”是不同能力。在本实验中，SAM 3 能找到架子，Florence-2 对关系表达的分割却可能覆盖多个架子。加入深度后，系统得到更多几何信息，但仍缺少可靠的关系判定。

智能体因此不断补充阈值、遮挡规则和边界判断。区域技能最终达到 3,056 行、33 个阈值，还组合了另一个具有 48 个阈值的定位器。针对两个记录状态的 27 次尝试，始终只能救回其中一个。

作者将其称为 semantic displacement，可理解为“将缺失的语义能力转移到程序规则中”。这提供了一个有用的诊断信号：当代码不断增长、收益却局限于个别状态时，应检查能力表示是否选错，而不只是继续修补参数。

不过，论文支持的是这套模型组合在这些场景下失败，尚不能证明模块化感知普遍无法处理关系。

2.长技能链既压低任务成功率，也使后段技能得不到学习机会。

设第 j 步在前面各步成功的条件下，其成功概率为 p_j，则：

其中 S 是任务成功率，pi_j 是执行到第 j 步的概率。由于 p_j 是条件概率，这里不要求步骤相互独立。

如果一次修改只提高第 j 步的可靠性，而其他条件概率不变，那么：

同时，n次完整任务尝试中，平均只有约 n pi_j 次真正测试到这个技能。因此，后段改进既难以影响最终成绩，也难以得到足够证据来验证。

实验中，冰箱任务 57% 在第一步失败，只有 2.7% 能通过前四步。第 118 轮的抓取修改在新状态及留出任务上出现可复现的局部收益，但随后的 60 次任务执行仍全部失败。

作者称之为 frontier lock：改进集中在最早的失败处，后面的能力长期缺少训练与测试。这是全文对长程机器人学习最有启发性的分析之一。

3. 评估、记忆和接入机制决定了系统实际在优化什么。

论文给出了几类具体故障：

• • 评估替代了真实能力。 系统用半径 0.85 米的球体近似机械臂可达空间，智能体学会把底盘停在球面附近，通过评估后仍抓不到物体。
  • 机器人能力描述有误。 躯干升降自由度没有被正确告知智能体，底盘速度描述也明显偏离实测。
  • 验收缺乏足够分辨力。 两个样本要求至少 60% 修复率，会直接拒绝救回一个样本的方案；另一方面，22 次接受发生在新场景比较中“零胜、零负”的情况下。
  • 差异不稳定。 36 组重新运行的新旧差异中，16 组未复现。
  • 记忆把“没试过”写成了“失败”。 88 个包含研究请求的提案被当成代码处理，导致有价值的需求被错误压制。
  • 有模型却没有调用路径。 后期注册的关系定位模型并未被部署技能使用。

这些现象说明，技能发现需要同时回答三个问题：系统是否知道缺什么、是否能获得它、获得后是否真正用上并产生收益。

---

论文的贡献主要在诊断框架和失败证据。 具体有四点：

• 提供了长期运行中“改动很多、任务不进步”的完整案例，揭示只统计代码修改或模型注册会高估进展。
• 提出三个检查维度：失败能否被正确表达（representability）、有效修复能否在允许修改的范围内实现（expressibility）、测试能否可靠区分改进（resolvability）。
• 将长任务的可靠性问题进一步解释为数据覆盖和改进选择问题：后段技能不仅容易失效，而且难以获得学习机会。
• 指出 RSI 的递归范围不应只覆盖执行代码；评估器、记忆、任务链和模型接入机制同样会成为瓶颈。

同时，论文的解释力度强于它的因果证据，以下几点值得保留判断。

首先，它只有一次长期运行，使用一个仿真器、一个厨房布局和少量任务，没有独立重复、等预算基线或消融。模型、提示、评估规则和外部能力又沿时间线共同变化。因此，“这些机制确实出过问题”有充分记录；“智能体通常不是瓶颈”“更强智能体不会有帮助”则没有被严格证明。

其次，文中的 VLM 替代方案只在 4 个记录视角上获得正确定位，属于可行性检查。后期 VLM 又没有进入真实执行路径，所以论文没有证明换上 VLM 后任务就会成功。

再次，系统对任务程序修改的限制本身可能制造瓶颈。若需要先升高躯干、换视角再定位，却要求智能体优先在单个技能内部修复，失败自然会被反复归入错误层次。这既是发现，也意味着结果受到架构选择影响。

最后，仿真评估可以使用真实状态，现实机器人很难直接拥有同等可靠的判断依据。本文尚未解决真实世界中的自主复位、接触状态判断和低成本验证问题。另外，成功路径不必严格等同于预先编写的程序；水槽中的偶然掉落之所以不能作为可靠进步，关键在于不可控、不可复现，而非仅仅偏离预定步骤。

---

下一步最值得做的是把这些机制解释变成可对照、可证伪的实验。

优先方向	具体工作	关键验证指标
先打通关系理解与执行	冻结其他组件，对比现有定位、VLM 定位、VLM 加主动观察；要求新模型在合适状态下实际被调用	未见布局上的定位率、错误自信率、调用率、任务推进深度
让后段技能获得证据	从物理可实现的中间状态测试抓取、搬运和放置，再回到完整任务验证	每步到达率、条件成功率、有效比较样本量、完整任务收益
允许学习任务链	为技能声明前置条件、效果和失败类型；允许插入观察、重新定位和恢复步骤	恢复成功率、步骤衔接可靠性、端到端成功率
改善失败归因	测试失败步骤从其起始状态是否本来就可能成功，并追溯使其不可行的上游决策	归因准确率、错误修复次数、单位预算的有效改进
让框架也能被改进	对评估器、记忆和测试规则的修改进行独立审查与历史回放；区分未测试、基础设施失败和实测失败	验收误判率、后续退化率、人工干预量

其中，建议先开展“关系定位 × 后段状态覆盖”实验：冻结同一初始技能库和智能体预算，分别开启或关闭关系定位改进、从中间状态开始的技能测试，形成四组，再用多个独立运行和未见布局评估。

这个实验能区分：系统究竟主要被感知卡住，被后段证据不足卡住，还是必须同时解除两者才能产生累积收益。如果只提高局部技能分数，完整任务仍无改善，就应继续检查任务链和技能接口。

更长期的方向，是把技能从一段代码扩展为带有适用条件、效果、置信度、恢复策略和验证记录的能力单元，并允许智能体在“改代码、换模型、采集数据训练策略、修改任务链”之间选择。评价时应同时报告任务成功率、跨场景迁移、遗忘或退化，以及计算与人工成本，才能判断是否形成真正可持续的自我改进。