La auto-mejora recursiva (RSI) describe un sistema de inteligencia artificial capaz de perfeccionar su propia maquinaria cognitiva. Aunque buena parte del debate se centra en si un modelo puede reescribir directamente sus pesos, el artículo sostiene que el camino más plausible a corto plazo pasa por la ingeniería de harnesses: el sistema que rodea al modelo base y decide cómo observa, planifica, ejecuta, gestiona contexto y evalúa resultados.
Un harness no es solo un conjunto de plantillas de prompts: equivale al diseño de un runtime y un sistema software. El texto identifica tres patrones clave. El primero es la automatización del flujo de trabajo, con bucles iterativos de planificar, ejecutar, observar y mejorar, siguiendo ejemplos como el repositorio autoresearch de Karpathy. El segundo patrón emplea el sistema de archivos como memoria persistente, ya que los artefactos generados en tareas de horizonte largo (logs, diffs de código, trazas de error, historiales de rollout) suelen superar la ventana de contexto del modelo. El tercero recurre a subagentes y trabajos en segundo plano para explorar hipótesis en paralelo, delegar subtareas aisladas y mantener el paralelismo explícito e inspeccionable.
Como caso de estudio, el artículo examina los agentes de programación (Claude Code, Codex, OpenCode y similares), cuyo núcleo se ha estabilizado en torno a herramientas de sistema de archivos, ejecución de shell, integraciones con LSP y git, búsqueda web, manejo de artefactos y delegación entre agentes. Finalmente, plantea que la ingeniería de harnesses evolucionará hacia una meta-metodología: el propio sistema se convierte en objetivo de optimización, permitiendo bucles de auto-investigación que producen modelos más capaces sin sobrediseñar el harness.