约 3 分钟
为什么我们把递归自我改进收敛成一个有边界的闭环
RSI 从思想实验变成了工程主流，但几乎所有能跑起来的工作都是「有界自我精炼」。createrole 明确站在这一侧：模型权重不动，改的是记忆、记事、技能和考核体系，人在环上，每一步可回滚。
- RSI
- 方法论
- 成长闭环
动态
版本更新、方法论，以及我们对数字员工如何成长的思考。
约 2 分钟
夜校、评测、代练：一个数字员工怎样在一小时内从 90 分到 97 分
拿一位数据分析师数字员工做例子，走一遍产品里的闭环：按岗位生成题库，judge 模型打基线分，在快照副本上代练出候选，人工裁决后进入版本历史。
- 夜校
- 评测
- 代练
- 实录
约 5 分钟
夜校：为什么数字员工需要自己的考核体系
数字员工的成长不能只等用户反馈。夜校按职业定位生成考纲与分层锚定的题库，出题人与学生分离，练习集与真题库分池，评测分数成为代练的外部锚。这篇文章讲背后的设计取舍。
- 夜校
- 评测
- 设计
约 8 分钟
递归自我改进：2026 年的四条路线与共同警告
梳理 2025 到 2026 年 RSI 领域的概念界定、代表性工作、不训权重的产品形态、监督与评测手段，以及学界反复给出的失败模式。最后说明 createrole 如何把这些结论落到数字员工的成长闭环里。
- RSI
- 调研
- 成长闭环
- 评测
约 9 分钟
2026 年给 agent 写提示词：Anthropic 与 OpenAI 官方指南的共同转向
并排读 Anthropic 与 OpenAI 2025–2026 年的官方 agent 提示词指南，两家走向了同一个方向：删提示而不是加提示，从催模型到拦模型，从步骤清单到目标契约。本文整理其中最重要的共识与最可操作的规则。
- 提示词
- agent
- 方法论
约 12 分钟
Codex、Pi、OpenCode 的多轮上下文压缩：三种做法对比
读了 Codex、Pi、OpenCode 三个开源 agent 的源码，对比它们在上下文即将溢出时如何做摘要、保留多少最近原文、怎样从溢出中恢复。结论：压缩的本质是构造一个可恢复的状态 checkpoint，而不是总结聊天记录。
- 上下文压缩
- Agent 工程
- 源码调研
约 7 分钟
agent 长期记忆框架调研：mem0、MemPalace、MemOS 怎么存、怎么忘、怎么召回
通读三个开源 agent 记忆框架的源码，比较它们在写入、冲突、遗忘、检索上的取舍。三家在时间锚定、词法通道、溯源上已经收敛，遗忘仍是最不成熟的环节。
- 记忆
- 调研
- agent