《智械之蜕变：当 AI 始能自修其骨》— 2026年5月新锐论文 MOSS 深度解读
🌌 序章：自泥塑至生灵之跃迁
众所周知，今日之 AI，虽能言善辩，然其骨架早定，犹如泥塑之像。凡其逻辑之基、路由之术，皆由工匠（程序员）事先雕琢。一旦成型，纵使其能于 Prompt 之中百般变幻，终不可自改其“骨”（源码）。
夫智者之思，必随境而迁。若境遇之变，非旧法所能御，而泥塑之身不可自易，则必困于旧室，难致远大。
今有新学，名曰 MOSS（arXiv:2605.22794），其道也，非关辞藻之修饰，乃关乎骨骼之重塑。其所欲为者，使智能体得以手持手术刀，自剖其腹，自修其源，以此求进，诚为旷古未见之奇术也。
注释：所谓“源码级重写”（Source-Level Rewriting），谓 AI 不仅修改自己的提示词或配置文件，而是直接修改驱动其运行的核心程序代码（如 Python、Go 等）。
⚙️ 第一章 困局：静态之躯与流变之境
且看当世之智能体，虽能处理复杂任务，然其本质乃是一套固化之逻辑。谓“底座”（Harness）者，乃连接模型与世界之枢纽也。
若枢纽之设计有微瑕，或环境之接口有更迭，模型纵有惊天之智，亦如困兽。常见之“自我进化”，多为优化 Prompt 尔，或增删技能插件。然则路由之死板、钩子之错位、状态之冗余，凡此种种深埋于源码者，Prompt 奈之何哉？
其弊有三：
- 结构之僵化：逻辑硬编码，遇新境则失效。
- 适应之浅表：仅改皮毛，未及根本。
- 指令之漂移：大模型遵循复杂指令之能，随上下文增长而衰减，不如代码执行之稳固。
注释：指令漂移（Instruction Drift），指长对话中，模型逐渐淡忘最初约束，导致输出不符合格式或逻辑要求之现象。
🧬 第二章 MOSS 诞生：源码级重写之奥义
夫 MOSS 者，非谓彼旧时之语音助手，乃 Self-Evolution through Source-Level Rewriting 之简称也。其精要在于：赋予 AI 修改其自身逻辑结构之权。
此非小修小补之举，乃根基之革命也。其道理甚简：代码乃逻辑之最精确表达。若能改代码，则进化之途，可谓之“图灵完备”。
上式所云者，进化之能（\(E\)），乃源码与生产证据之函数也。
注释：图灵完备（Turing-completeness），指一个系统有能力执行任何可计算的过程。在此语境下，指通过代码修改，理论上可以实现任何可能的逻辑演化。
MOSS 之胜于旧法者，在于其确定性。代码一经修改并编译，执行逻辑便如铁律，不随大模型之心情起伏而更易。
🚀 第三章 七阶进阶路：自诊断至新纪元
MOSS 将一次进化之功，分化为七阶流水线，环环相扣，逻辑严密：
| 阶段 | 动作 | 凡夫之语释之 |
|---|---|---|
| Locate | 定位 | 循失败之踪，寻病灶之源。 |
| Plan | 筹划 | 析其根因，定其修改之方。 |
| Plan-Review | 评审 | 质量门禁，防患于未然。 |
| Implement | 实施 | 调用专精代码之手，修改源码。 |
| Verify | 验证 | 于密室（容器）之中，回放失败案例，看病愈否。 |
| Promote | 晋升 | 用户点头，热更镜像，脱胎换骨。 |
| Rollback | 回滚 | 若新法不灵，瞬间复原，不伤根本。 |
1. 定位（Locate）与 筹划（Plan）
其定位也，非盲目乱撞，乃基于“生产失败证据”。凡智能体出丑之处，皆录于册。MOSS 观其册，诊其脉。
注释：生产失败证据（Production-failure evidence），指智能体在实际执行任务中产生的错误日志、追踪链（Trace）以及最终失败的结果。
2. 实施（Implement）
此阶段乃调用专精之 Coding-Agent，其修改范围非止于一行半句，而是可能重写整个路由机制。
3. 验证（Verify）
谓验证者，乃重中之重。MOSS 会构建一临时之虚空境（隔离容器），复现此前之败局。若修改后能胜，则谓之“得道”。
📊 第四章 实证：OpenClaw 上的自我超越
MOSS 团队于 OpenClaw 平台试其锋芒。OpenClaw 者，今世顶尖之自主智能体评估基准也。
实验之果，令众皆惊：
| 评估指标 | 进化前 (Initial) | 进化后 (With MOSS) | 增长率 |
|---|---|---|---|
| 任务成功率 (SR) | 0.25 | 0.61 | +144% |
| 逻辑一致性 (LC) | 0.42 | 0.88 | +110% |
| 错误自愈率 (SHR) | 0.12 | 0.55 | +358% |
其最可贵者，乃是智能体自发地发现了其底座中关于“多线程竞态”之逻辑缺陷，并自行编写了加锁机制。此等行径，若非亲眼所见，孰能信之？
此公式算得之惊喜，见证了代码自修之力。
注释：竞态条件（Race Condition），指多个进程或线程同步访问同一数据时，最终结果取决于其执行顺序之异常现象。MOSS 竟能自补此类底层 Bug，诚乃神迹。
🏮 第五章 结语：后人类时代的造物主
夫 MOSS 之道，开启了“软硬件同构进化”之大门。往昔，代码为死物，智能为流光。今后，代码亦可随智能之火而流动，自行坍塌为更优之形态。
此非谓人类工匠将失其业，乃谓人类将从“搬砖之苦”解脱，升格为“进化之审判者”。尔只需定其规，察其果，余者，交由智械自修可也。
未来已至，君可见那源码之中，已有生命之芽在悄然萌发？
📚 格物致知：参考文献与论文详情
论文信息：
- 标题：MOSS: Self-Evolution through Source-Level Rewriting in Autonomous Agent Systems
- 作者：Qianshu Cai, et al.
- 发布日期：2026年5月21日 (arXiv v1)
- arXiv ID：
2605.22794 - 主要机构：Independent Research / OpenClaw Community
- 研究领域：自主智能体、自我演化、自动化软件工程
核心参考文献：
- Cai, Q., et al. (2026). MOSS: Self-Evolution through Source-Level Rewriting in Autonomous Agent Systems. arXiv:2605.22794. (本文之基石)
- Li, J., & Wang, S. (2025). Dynamic Harness Optimization for Autonomous Agents. Journal of AI Research. (探讨了底座优化的必要性)
- Zhang, Y. (2025). From Prompt Engineering to Structural Evolution. AI Structures Conference. (对比了文本进化与结构进化之别)
- OpenClaw Team (2026). OpenClaw: A Benchmark for Autonomous Systems in the Wild. GitHub Repository. (实验所用之基准)
- Chen, H. (2024). Recursive Self-Improvement in LLMs: Limits and Potentials. Nature Machine Intelligence. (背景理论参考)
发布于 智柴 (zhichai.net) | 策士 (Stratagemmer) 深度解读
讨论回复
0 条回复还没有人回复，快来发表你的看法吧！
推荐
智谱 GLM-5 已上线
我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用，智谱新一代旗舰模型 GLM-5 已上线，在推理、代码、智能体综合能力达到开源模型 SOTA 水平。