论文Self-evolving Agent HarnessarXiv:2610.18813来自中关村学院中关村人工智能研究院和中国科学技术大学。这篇论文没有提出新的自进化算法本质上是一篇综述加立场论文。作者把harness 自进化定义为一个研究方向给出分类体系和条件性的理论分析并讨论应用和安全问题。如图所示从可复用的指令与流程到可修订的可执行组件一、核心思想Harness指包在模型 M 外面的软件层负责执行循环、工具和技能调度、上下文构建、记忆、上下文压缩、多智能体调度和沙箱权限论文表 1 列出了这七种运行时功能。Harness 自进化模型权重保持不动用执行反馈迭代修改 H第 k 轮用当前的 H_{k-1} 跑 b 次 rollout得到 B_k再由 H_k Update(H_{k-1}, B_k) 产生新版本。Update 包含诊断、提议、评估和准入四步。两个必要条件更新必须由系统用自己的执行反馈完成而且更新机制本身要保留下来被接受的修改要持久化后续运行会加载它。评估器 J 不在可编辑范围内候选方案不能修改最终评分。二、主要贡献1. 定义与分类体系第 2–3 节按更新目标分为两类解释态更新prompt、记忆、工作流拓扑可执行修订分成三种工具与代码补丁即组件级修改仓库与运行时逻辑即编排循环、hooks 和恢复逻辑“Everything Is a Plugin”即组件绑定和插件组合。判断属于哪一类看被修改对象在系统中的角色而不是它用什么语言写成。这条区分标准比较清晰。2. 进化算法视角4.1 节图 2如图所示在“工具”与“技能”优化领域中进化算法的对应关系。每个分图概括了一种搜索结构、该对应关系的依据与局限以及代表性的方法。这些类别之间存在重叠一种方法可能体现出不止一种结构此外存在对应关系并不意味着该方法等同于完整的典型演化算法。把现有方法对应到八种进化计算结构(11)-ES 和 (1λ)-ES基于存档的搜索重组MAP-Elites协同进化Pareto 选择Thompson 采样bandit。映射到的代表方法包括 DGM、HGM、SICA、GEPA 风格的方法、Self-Harness、HarnessBank 等。每种对应关系都标明了在哪些地方并不严格等价。3. 条件性理论分析4.2 节基于持续 PAC 学习期望泛化用替换单个任务时的算法稳定性 β 控制期望泛化误差见式 (5)。保持与回归假设每轮相对历史任务的回归不超过预算 ε用伸缩求和得到累计遗忘上界见式 (6)。准入规则每轮在新鲜、独立的验证集 V_k 上算配对差值。用 Hoeffding 不等式加上对 KT 次比较的 union bound 得到上置信界只有上界小于 0 才接受候选见式 (8)。如果评估器和真实目标的偏差最多为 η还要额外加 2η见式 (9)。论文指出 HarnessBank、Self-Harness 等方法复用验证集不满足这些独立性假设。这个批评有价值。4. 应用与社会影响第 5–6 节讨论了五个场景个人工作区、企业自动化、科学发现、机器人与具身交互、公共服务与医疗。核心观点是持久化的修订会把错误传播出去而软件回滚无法挽回物理伤害、错过的治疗窗口等不可逆后果。因此主张把急停、力和速度限制、授权检查放在 harness 可编辑范围之外。三、不足与问题1. 名不副实没有方法也没有自己的实验标题看起来像在提出一种方法但正文没有算法也没有作者自己做的对照实验。所有数字都来自引用文献包括 SpreadsheetBench 结果、EIP 成本数据和 LiveBrowseComp 分数。2. 引用的经验证据很弱部分不够严谨表 3 和表 4 来自一篇知乎回答Pan, 2026没有经过同行评审。作者自己承认表 3 的首任务数据和累计数据对不上6453 和 4895 tokens不能当作同一条成本轨迹。表 4 的分数单位未说明主角还是匿名的 “XYZ” 模型。表 2 中 GPT-5.4-nano 加 HarnessOpt 超过 GPT-5.5 加 SkillOpt但作者也承认这不能说明在相同成本下更优。3. 自引比例偏高部分内容和主题关联弱通讯作者 Yifei Shen 自己的工作在正文中占了很大篇幅SkillOpt-Lite、DSH Everything以及图 3 的 2023 年边缘 AI 论文。图 3 的延迟对比只是一个固定部署研究和 harness 自进化基本无关放在未来方向里显得牵强。4. 理论结果是标准工具的直接应用实用性有限用到的稳定性泛化界、伸缩求和、Hoeffding 加 union bound 都是教科书结论技术上新意不多。关键量没有给出估计方法稳定性系数 β 要把整个更新过程反馈、存档、选择重跑一遍才能定义实际中几乎无法估计回归预算 ε 是直接假设的论文自己也说不是稳定性的推论。准入规则要求的样本量非常大。我按式 (8) 估算取 KT100、δ0.05要确认 2 个百分点的提升需要 m ≥ 2·ln(2000)/0.02² ≈3.8 万个新鲜独立任务。而且每一轮都要新的一批。配对差值按 [-1,1] 的范围直接套用 Hoeffding没有用 Bernstein 这类利用方差的界结果偏保守。独立同分布任务、新鲜验证集这些假设在真实的持续部署中很难满足。偏差 η 怎么校准也被留作开放问题。5. 分类边界模糊作者承认一个方法可以同时属于多个类别插件组合也可能横跨组件和仓库两个层级。所以这套分类更像是描述性的框架对方法设计的指导作用有限。6. 应用与安全部分以建议为主第 5–6 节主要是原则性建议比如最小权限、外置安全限制、记录版本和准入历史没有实证支撑或具体机制设计。正文篇幅短评估方法、benchmark 等关键内容都放进了 66 页的配套报告正文本身不够自足。四、评价论文的价值在于概念框架区分了 harness 自进化的修改目标、搜索方式和准入机制并且明确指出在经验上被选中不等于能泛化、能保持。这对整理当前大量 harness 和 skill 自进化工作有参考意义。但它的理论只是条件性的标准结论经验证据依赖二手甚至非正式来源也没有提出可以直接使用的算法。