一周五篇 harness 论文：harness 自我演化的理论，一个造 harness 的基准，以及大多数 agent 失败止于 harness 上限的发现
harness 而非模型这条线迎来了论文密度最高的一周。先看 Hugging Face 榜首那篇：Self-Evolving Agent Harness，arXiv 2610.18813，188 个赞，66 页，把 agent 修改自己脚手架这件事形式化了，提示、记忆、工作流、工具和代码都算，权重不动，被接受的修改跨运行持久保留。它把更新的对象和提议与准入的机制分开，区分对解释态的修改和对代码与插件组合的修改，并把可靠性问题放进持续 PAC 学习框架里。产出是一个期望泛化界，一个以历史回归预算为条件的保留界，以及一条高概率准入规则，要求每一次接受的修改都用新鲜的验证数据。应用层面的结论才是重点：可靠部署需要随任务和评估器漂移持续验证，并对学习、运行时权限和有后果的动作设置独立的保护。这是上周 Harness Evolution Hits a Ceiling 那个结果的理论版。
Google Research 发了实践版。Harness²，仓库 google-research/harness2，论文 2610.14224，Apache 2.0，在冻结的模型周围暴露八个可编辑组件：系统提示、护栏、记忆、工具指引、子 agent、skill、脚本、插件。任务级递归跑一个提议、探测、组合的步骤：提出修改，在同一任务上执行，从执行之间的行为对比里组合出改进后的 harness，不需要标准答案。harness 级递归再去更新那个负责改进的 harness 本身。一步就让 GLM-5 和 Gemini 3.5 Flash 在 WorkBuddy-Bench 上最多提高 11.5 分，JobBench 4.5 分，LAB 的部分通过率 11.8 个百分点，执行器是 OpenCode 和 Codex。注意这个执行器选择：谷歌实验室的 harness 研究跑在两个开源编程 agent 上，不是 Antigravity。
Doc2Harness，arXiv 2610.20344，101 个赞，问的是一个没人测过的问题：模型到底能不能造出一个 harness。构建模型拿到一份接口契约和一份汇总了十二个前沿 harness 的文档，要把 harness 造出来。然后冻结这个 harness，用一个脚本化的模拟模型去驱动它，按发出的请求、碰过的文件、退出码和输出打分。这是 harness 层的 AgentSWE，它之所以存在，是因为正如本周 Harness² 和 OpenCode 2.0 都在展示的，harness 现在是被工程化的对象本身。
两篇小一点的论文给 harness 决定了多少给出了数字。ToolBottleneckBench，2610.21098，跑了 21 种模型和 harness 配置，发现可见工具菜单是唯一带来大幅惩罚的压力源，而这个惩罚和完成上限处的截断同步，把上限提高十六倍就能消掉大部分。他们的原话：大多数失败止于 harness 的上限，所以每个结果都该附上 harness 预算。另一篇单作者研究，2610.22289，用基于 Codex 的 agent 跑 ARC-AGI-3、AGI Maze 和 Terminal-Bench，发现一条指令改动，遇到困难就汇报并交回控制权，能提升三项里的两项，把重置决策从模型挪进脚本控制器能追回一部分与任务专用 agent 的差距，而额外的教程经验反而可能让 agent 变差。加上 OpenCode 2.0 默认开启的 Code Mode、Claude Code 的审查文章和 Liquid 在四个 harness 里训练模型，这一周 harness 不再是模型外面那层壳，而成了研究对象本身。
链接：https://arxiv.org/abs/2610.18813 ，https://github.com/zgcagi/Harness-RSI ，https://github.com/google-research/harness2 ，https://arxiv.org/abs/2610.14224 ，https://arxiv.org/abs/2610.20344 ，https://arxiv.org/abs/2610.21098 ，https://github.com/zichuanxu/tool-bottleneck-bench ，https://arxiv.org/abs/2610.22289
← 返回所有文章
Google Research 发了实践版。Harness²，仓库 google-research/harness2，论文 2610.14224，Apache 2.0，在冻结的模型周围暴露八个可编辑组件：系统提示、护栏、记忆、工具指引、子 agent、skill、脚本、插件。任务级递归跑一个提议、探测、组合的步骤：提出修改，在同一任务上执行，从执行之间的行为对比里组合出改进后的 harness，不需要标准答案。harness 级递归再去更新那个负责改进的 harness 本身。一步就让 GLM-5 和 Gemini 3.5 Flash 在 WorkBuddy-Bench 上最多提高 11.5 分，JobBench 4.5 分，LAB 的部分通过率 11.8 个百分点，执行器是 OpenCode 和 Codex。注意这个执行器选择：谷歌实验室的 harness 研究跑在两个开源编程 agent 上，不是 Antigravity。
Doc2Harness，arXiv 2610.20344，101 个赞，问的是一个没人测过的问题：模型到底能不能造出一个 harness。构建模型拿到一份接口契约和一份汇总了十二个前沿 harness 的文档，要把 harness 造出来。然后冻结这个 harness，用一个脚本化的模拟模型去驱动它，按发出的请求、碰过的文件、退出码和输出打分。这是 harness 层的 AgentSWE，它之所以存在，是因为正如本周 Harness² 和 OpenCode 2.0 都在展示的，harness 现在是被工程化的对象本身。
两篇小一点的论文给 harness 决定了多少给出了数字。ToolBottleneckBench，2610.21098，跑了 21 种模型和 harness 配置，发现可见工具菜单是唯一带来大幅惩罚的压力源，而这个惩罚和完成上限处的截断同步，把上限提高十六倍就能消掉大部分。他们的原话：大多数失败止于 harness 的上限，所以每个结果都该附上 harness 预算。另一篇单作者研究，2610.22289，用基于 Codex 的 agent 跑 ARC-AGI-3、AGI Maze 和 Terminal-Bench，发现一条指令改动，遇到困难就汇报并交回控制权，能提升三项里的两项，把重置决策从模型挪进脚本控制器能追回一部分与任务专用 agent 的差距，而额外的教程经验反而可能让 agent 变差。加上 OpenCode 2.0 默认开启的 Code Mode、Claude Code 的审查文章和 Liquid 在四个 harness 里训练模型，这一周 harness 不再是模型外面那层壳，而成了研究对象本身。
链接：https://arxiv.org/abs/2610.18813 ，https://github.com/zgcagi/Harness-RSI ，https://github.com/google-research/harness2 ，https://arxiv.org/abs/2610.14224 ，https://arxiv.org/abs/2610.20344 ，https://arxiv.org/abs/2610.21098 ，https://github.com/zichuanxu/tool-bottleneck-bench ，https://arxiv.org/abs/2610.22289
评论