Prime Intellect 发布 Prime Agent，自改进 RLM 框架拿下 ARC-AGI-3 高分

Prime Intellect 近日宣布推出 Prime Agent，这是一款面向编码任务与长时自治任务的「自改进」智能体框架。其核心技术 Recursive Language Model（RLM）在 ARC-AGI-3 基准测试中取得了 95.5% 的成绩，引发社区关注。

核心思路：把上下文当作变量

Prime Agent 的核心设计来自 RLM（Recursive Language Model）这一架构思路。它把语言模型的上下文窗口视为一个「可变量」，并允许智能体在 REPL（交互式解释器）环境中通过「函数调用」的方式把子任务委派给子智能体（subagent）。这意味着模型不再受限于单次提示词的容量，而是可以在执行过程中动态扩展、组织并调度上下文。

Continual Harness：让框架本身成为可编辑对象

Prime Agent 的另一关键模块是 Continual Harness。Prime Intellect 将框架自身的状态——包括提示词（prompts）、技能（skills）、记忆（memory）以及子智能体——抽象为「对象」，智能体可以在自身轨迹（trajectory）内对它们执行创建、读取、更新、删除（CRUD）操作。换句话说，框架不只是工具，而是智能体可以持续改写的「可变工作区」，从而实现自我迭代与长期自治。

基准成绩与社区反应

ARC-AGI 系列基准由 François Chollet 提出，长期被视为衡量通用推理能力的参考指标之一。Prime Agent 在 ARC-AGI-3 上达到 95.5% 的成绩，被视为该框架在复杂推理任务上的一个信号。TestingCatalog 在 X 上转发该消息后，社区对该「下一代抽象层级」的设计思路展开了讨论。

待观察的点

• 95.5% 的成绩是否经过独立复现，是否有完整的评测协议公开。
• 「自改进」具体如何收敛——CRUD 操作的风险与边界是否可控。
• 该框架的开源计划、接入方式以及对外部模型（Claude、GPT、Gemini 等）的兼容性。

总体而言，Prime Agent 把「上下文即变量、框架即对象」的思路进一步工程化，是智能体框架层面一次值得关注的方向性尝试。