AI 范式雷达：《不再调权重：Agent 的自进化搬进了 Harness》
内容提要
三篇论文提出Agent自进化新方向：从模型权重转向外部执行框架（Harness）。Recuris通过三层记忆架构和结构化证据实现组件级修补，在τ²-Bench上提升显著；StarHarness用分层搜索优化prompt和工具接口；SkillForge验证技能质量。核心模式是“结构化证据+组件级修补+验证门”，但依赖可验证环境，迁移有条件，归因准确率有限。
延伸解读
范式转移的驱动力：工程约束而非模型能力
三篇论文的共同点是将自进化从模型权重转移到外部执行框架，核心驱动力是成本、可回滚性和归因精度。权重更新全局性强、成本高且难以回滚，而Harness层修改局部、可验证。Recuris的归因准确率从二值信号的13.0%提升到结构化轨迹的64.8%，说明记录过程是有效进化的前提。
验证门是进化的安全阀
三篇论文都强调验证机制：Recuris用开发集锚点任务防回退，StarHarness用隐藏选择集和留出集，SkillForge用成功率和使用次数。验证门能挡住回退，但无法保证补丁有效，因为归因准确率有限。生产环境若无程序化验证器，整个循环可能退化为无监督自我修改，风险需警惕。
迁移性证据需谨慎解读
Recuris的跨模型迁移仅在SkillFlow基准上验证，且无留出任务集；StarHarness的跨模型迁移限于三个企业基准。将“跨GPT/Qwen可迁移”泛化为“到处可迁移”超出证据范围。此外，Recuris在Terminal-Bench的置信区间包含零，统计强度有限，评估时应关注样本量和任务多样性。
落地实践：从四元组轨迹到最小验证器
论文收敛出的最小可行模式包括：记录结构化轨迹（状态、技能、动作、观测）、归因到组件、验证门控提交、预算对齐对照。其中验证器是前置条件，没有程序化验证器则验证门失效。建议先积累失败样本，为关键任务编写断言式验证器，再逐步引入自动修补。
Q&A
什么是Agent自进化中的Harness？
Harness（执行外壳）是包裹在LLM外部的执行框架，负责记忆管理、技能调用、任务状态跟踪、工具交互和结果验证，模型本身只是其中的推理引擎。
为什么Agent自进化要从模型权重转向Harness层？
因为权重层进化存在三个工程痛点：成本高（每轮改进都要训练）、不可回滚（权重更新全局性，改坏只能重训）、归因难（非结构化日志归因准确率仅53.5%）。Harness层进化将改进对象从模型参数换成外部记忆与接口，绕开了这些问题。
Recuris的三层记忆架构是什么？
Recuris的三层记忆架构包括：工作记忆（跟踪当前任务进度，是结构化状态对象）、经验记忆（持久存储跨任务经验，用于技能调用检索）、技能记忆（可被进化的技能模板，是唯一允许被Meta-Agent修改的组件）。
Recuris在τ²-Bench上取得了什么效果？
在τ²-Bench Retail上，Claude Opus 5从72.4%提升到87.9%（+15.6），GPT-5.6 Sol从58.3%提升到76.1%（+17.8），比不用Recuris的最佳模型高9.7个点。
StarHarness的进化对象包括哪些？
StarHarness的进化对象包括prompt与任务框架、工具接口、技能、MCP provider、子Agent结构和agent loop配置。
SkillForge与SkillRL的主要区别是什么？
SkillForge让RL直接优化技能调用决策本身，并为每个技能跟踪成功率与使用次数，聚合出低效分数触发反思式修订，而SkillRL把技能库当只追加仓库，从不验证已存技能是否有效。
Harness自进化依赖哪些边界条件？
依赖可验证环境（有程序化验证器），迁移有条件（跨模型迁移不等于跨任务迁移），统计强度有限（部分结果置信区间包含零），归因准确率有上限（64.8%），且与权重层路线是分工关系而非替代。
如何将Harness自进化落地到生产环境？
最小可行模式包括：记录结构化轨迹（每步存状态、技能、动作、观测四元组）；失败归因到组件（用小模型或规则映射到具体组件）；验证门控提交（修改必须在留出集上修复目标失败且不回退锚点任务）；预算对齐的对照（控制重试预算）。
