研究與評測
Prime Intellect 開源 Prime Agent：基於 RLM 與 Continual Harness 架構的自我改進程式碼代理
Hacker News單一來源
尚未逐項核實
目前依單一來源整理，這是來源數量描述，不是對消息真假的判定。
據 Prime Intellect 官方部落格發布，該團隊已開源推出 Prime Agent，這是一款具備自我改進能力的程式碼代理框架（coding harness）。該框架旨在突破傳統靜態代理的限制，允許模型在運行過程中動態適應與學習。
Prime Agent 的核心設計基於兩大抽象概念。首先是遞迴語言模型（RLM），其相關論文已於 2025 年 12 月 31 日發表。RLM 將上下文視為變數，並將子代理委派視為 REPL 內的函數呼叫，使模型能程式化地存取歷史紀錄與工具。其次是 Continual Harness，該技術源自 Karten 等人於 2026 年提出的免重置（reset-free）框架研究，允許代理對自身的提示、技能與記憶進行建立、讀取、更新與刪除（CRUD）操作，並支援跨會話的代理間通訊與持久化子代理。
在系統架構方面，Prime Agent 以持久的 IPython kernel 作為模型的唯一工具，其他功能皆作為 kernel 內的函數呼叫。系統透過背景 daemon 管理所有即時會話，並提供文字使用者介面（TUI）讓使用者導覽與管理高度巢狀的代理層級。
為節省記憶體，子代理在閒置 30 分鐘後會被移除，並在被呼叫時從磁碟重新載入。會話歷史以僅附加（append-only）的 JSONL 檔案儲存於磁碟，支援分支與分叉。此外，代理可透過 REPL 主動觸發上下文壓縮，系統亦配備專屬的垃圾回收代理來非同步清理 IPython 狀態。
讀原始報導背景
遞迴語言模型（Recursive Language Model, RLM）是一種推論時期的架構，允許大型語言模型將長提示視為外部環境，透過 REPL 環境以程式化方式分解並遞迴呼叫自身，藉此處理長度無上限的上下文。Continual Harness 則是一種免重置（reset-free）的框架，能透過線上上下文學習（online in-context learning）自動優化代理架構。
社群討論
社群對 Prime Agent 的實作提出質疑，指出其 LLM 生成的程式碼過於臃腫（如單一檔案近 10K LOC、switch 語句破千行），部分開發者認為現今基礎模型已強大到不需要如此複雜的 harness。儘管其號稱幾乎飽和 ARC-AGI-3，但被指出未列入官方排行榜，因為其自我改進機制可能超出了該基準測試嚴格的 few-shot 嘗試次數限制。有洞見補充，RLM 架構的成功主要依賴頂級根模型搭配較便宜的 sub-agents 來卸載上下文，但實務上許多人更偏好簡單的 .md 檔案或技能導向工作流。