Rekursiv selvforbedring (RSI) har lenge blitt beskrevet som en modell som gjør seg selv bedre ved å endre sine egne vekter. Lilian Weng, tidligere kjent for forskningsbloggen sin og nå medgründer i Thinky, snur på perspektivet i en ny gjennomgang som Latent.Space' AINews-oppsummering løfter frem. Ifølge oppsummeringen går hun gjennom rundt 35 artikler og samler designmønstrene for rammeverk som har vist seg å fungere, før hun tar for seg litteraturen på hvordan slike rammeverk optimaliseres, fra den mye siterte ACE-artikkelen til nyere retninger som «meta-rammeverk».
Poenget hennes er at selv om enkelte forbedringer etter hvert blir bakt inn i selve modellen, forsvinner ikke arbeidet med rammeverket:
«Selv når mange forbedringer i rammeverket til slutt blir internalisert i kjernemodellen, forsvinner ikke behovet for å spesifisere mål og kontekst.» — Lilian Weng, gjengitt i Latent.Space
Hun står ikke alene om vinklingen. Sakana kobler tankegangen til egne prosjekter som The AI Scientist, ShinkaEvolve og Darwin Gödel Machine, mens LangChain trekker i samme retning med et nytt «Deep Agents»-kurs og et rammeverk-prosjekt med åpen kildekode. Selv Greg Brockman i OpenAI har ifølge oppsummeringen begynt å snakke varmt om denne typen arbeid med rammeverk.
For deg som bygger med KI, er dette mer enn en akademisk distinksjon. Vektene i en modell kan du ikke røre. Men loopen, verktøyene og konteksten du gir agenten, sitter du selv med hånden på. Weng sier i praksis at det er her mye av innflytelsen ligger, også når modellene blir bedre. Å spesifisere hva agenten skal gjøre, og gi den riktig kontekst, blir ikke overflødig med neste modellgenerasjon.