路线图
roadmap/README.zh.md
大家好，欢迎来到开放共享的 RSI 社区，我们正在专注于和 RSI 有关的开源工作。此前，我们构建了自进化 Agent 的企业级评估基准 GDPevo，撰写了一篇关于 RSI 研究的综述文章。
目前，我们正在围绕下面几个方向迭代：
- 数据：整理 Agent 相关的 Benchmark 数据和 Evaluation 结果，构建最大的 RSI 榜单（RSI Leaderboard）。
- 综述：调研最新的 RSI 论文，重新分类整理，进一步完善 Awesome RSI 综述仓库。
- 框架：优化 PenguinHarness 统一 RSI 框架，构建最全面的自进化 Harness。
演进路线
对 Agent、自进化（RSI）、Harness、Harness 层与模型层自进化的区别以及 Benchmark 等核心概念尚不熟悉的读者，可以先阅读基本概念。
在第一阶段，我们先重点推进数据、综述和 Harness 层进化。我们认为 Harness 层进化无需更新底层模型参数，对 GPU 算力和实验成本的要求都比较低，且进化出的提示词、技能（Skills）与工具具备极佳的可解释性与跨模型迁移能力，能够让更多研究者与开发者低门槛地参与实验与复现，从而让 RSI 更加普惠。
在第二阶段，随着社区评测基准、算法插件与高质量进化轨迹的积累，我们会进一步扩展到模型层的进化：
- 轨迹合成与经验蒸馏：利用第一阶段由自进化 Harness 在多样化 Benchmark 上探索出的高分执行轨迹（Traces）与技能资产，自动化合成与清洗训练数据，将显式的外部经验内化（Internalize）到模型参数中。
- 自进化微调与强化学习：基于社区标准化的评测沙箱与自动化验证器（Evaluator）提供可验证奖励信号，开展面向长程复杂任务的监督微调（SFT）与智能体强化学习（Agentic RL），直接提升基座模型的规划、工具调用与自我纠错能力。
- Harness 与模型协同进化：打通外层 Harness 搜索与内层模型参数更新的双层闭环——更强的 Harness 为模型训练合成更高上限的轨迹，进化后的模型又反哺 Harness 解锁更复杂的任务边界，实现架构与权重的协同演进。
- 第一阶段：数据（RSI 榜单）、综述（Awesome RSI）、Harness 层进化（PenguinHarness）。
- 第二阶段（模型层进化）：轨迹合成（经验内化与蒸馏）、模型训练（SFT & Agentic RL）、协同进化（Harness × 模型）。
参与指南
具体的流程请查看流程页面：
- 如何提交 Benchmark: https://club.penguin.ooo/zh/workflow/benchmark/
- 如何提交 Evaluation: https://club.penguin.ooo/zh/workflow/evaluation/
- 如何提交 Algorithm Plugin: https://club.penguin.ooo/zh/workflow/algorithm/
- 如何参与 PenguinHarness 项目: https://club.penguin.ooo/zh/workflow/harness/
- 如何提交论文到 Awesome RSI: https://club.penguin.ooo/zh/workflow/survey/
我们会通过双周会的形式来进行社区讨论，会议链接会在前一天发布在交流群。
欢迎大家来参与到我们的开源社区建设中，我们也承诺：
- 每月活跃的贡献者将获得 Gemini 等一线模型的 Token 资源包。
- 成果显著的开源用户可以署名到我们的开源仓库中。
- 提交原创方法、原创实验结果的同学可以署名到我们即将发表的论文中。