自我进化的 agent harness 大多是在背题，这篇给出了数字

最近有不少工作让 agent 改自己的 harness——围绕冻结模型的那一圈提示词、控制流、工具、记忆和上下文管理——然后反复迭代。这是发生在系统层而不是权重层的递归自我改进，成绩单相当好看。RRSI（arXiv 2609.24972，9 月 21 日提交）说这些成绩里有一大块是记忆，然后真去量了这一块有多大。

结论：不加约束的 harness 进化，分布内涨得猛，分布外缩水甚至归零。解法是在进化循环的两端都上正则。提案方拿到一个随时间退火的预算，限制单个候选能打包多少处修改，同时依据进化历史往没探索过的轨迹上施压。选择方配了一个批评者和一个修剪器：批评者筛掉针对特定基准的提案，修剪器删掉太小、太贵、或者已经不再发挥作用的改动。

覆盖编码、agent 工作区和工程设计的八个基准上：在它用来进化的那一份上最高涨 14.1 分，在五个分布外基准上最高涨 4.7 分。14.1 对 4.7，这就是整篇论文。头条涨幅里有三分之二带不走，而且这还是加了正则之后的结果。不加正则的缝隙只会更难看。

让它不止是一则警世故事的，是最后那个数字：正则化之后的 harness 少用 30% 的策略 token。约束进化不仅让它泛化得更好，还让它产出了更小的东西。修剪器干的是人类维护者会干、而几乎所有自动 harness 搜索都不会干的事——删代码。论文里附了代码和项目页链接。

https://arxiv.org/abs/2609.24972