Claude 和 Manus 還要人工搭框架？小米直接讓 Agent 自我進(jìn)化

連 AI 的 “外殼” 都學(xué)會自我迭代了

作者丨高允毅

編輯丨馬曉寧

連Harness都能自我迭代了！

在AI圈，有一個基本共識，即Agent = Model + Harness。

決定智能體表現(xiàn)的，從來不只是底層模型這顆 “腦子”，還有包裹在外的整套 “外殼”——Harness，它包含提示詞模板、工具調(diào)用規(guī)則、記憶管理、控制流、安全護(hù)欄等。 過去半年，Claude Code、Manus 這類全自動智能體一路狂飆，已經(jīng)跑通了 “AI 寫 AI” 的快速迭代。但支撐它們的 Harness，至今還要人工搭建，且是一次性的。

這意味著模型每升級一次，工程師就得追在后面重搭一遍腳手架。而Agent在運(yùn)行時(shí)產(chǎn)生的千萬級token執(zhí)行軌跡，哪里干得順、哪里卡了殼、為什么失敗，幾乎全被丟棄，從未沉淀為下一輪改進(jìn)的信號。

比如，Anthropic 發(fā)布新版 Claude 模型后，工程師還得手動去把 Claude Code 里冗余的規(guī)劃步驟刪掉；Manus 更夸張，6 個月內(nèi)重寫了 5 次架構(gòu)，每一輪都在手動砍掉上一輪硬編碼的復(fù)雜邏輯。

這次，小米直接掀桌子了。

6 月 12 日，小米Darwin Agent Team 發(fā)布論文《HarnessX》，直接瞄準(zhǔn)這個痛點(diǎn)，用“系統(tǒng)自進(jìn)化”，試圖終結(jié) Harness 人工調(diào)優(yōu)的時(shí)代。

圖注：小米團(tuán)隊(duì)發(fā)布論文《HarnessX》

地址：https://arxiv.org/abs/2606.14249

結(jié)果很驚人，HarnessX平均帶來14.5%的性能躍升。而且模型越小，提升越猛，搭配 Qwen 3.5-9B 這類小參數(shù)開源模型時(shí)，在具身規(guī)劃任務(wù)上的性能最高暴漲了 44%。

這也是小米繼推出萬億參數(shù) Agent 旗艦大模型 MiMo-V2-Pro 之后，再次在智能體底層架構(gòu)（Harness）領(lǐng)域發(fā)力，這種自我修復(fù)、自我進(jìn)化的框架，正是未來企業(yè)級AI接手復(fù)雜長周期任務(wù)的關(guān)鍵底座。

01

Harness升為“一等公民”：

可組合，自適應(yīng)，可進(jìn)化

在傳統(tǒng)觀點(diǎn)里，Harness 是輔助工具，模型才是主角。HarnessX做的恰恰反過來，把Harness升為與模型地位平等的“一等公民”，并創(chuàng)造了三個關(guān)鍵特質(zhì)：可組合、自適應(yīng)、可進(jìn)化。

圖注：HarnessX 系統(tǒng)的核心循環(huán)機(jī)制：可組合，自適應(yīng)，可進(jìn)化

▎積木式拼裝

先說可組合。

過去的 Agent 開發(fā)存在嚴(yán)重的“架構(gòu)糾纏”。提示詞、工具封裝、重試策略和記憶管理，像一團(tuán)亂麻一樣寫在同一段代碼里。改動一個微小的零件，可能悄無聲息地就把別的地方搞崩了。

HarnessX 直接把底層模型和 Harness 完全解耦。同一套“干活方式”可以套在不同模型上，同一個模型也能隨時(shí)切換不同的“干活方式”。更進(jìn)一步，他們把Harness拆成9個獨(dú)立的維度，包含模型選擇、上下文組裝、記憶管理、工具生態(tài)、執(zhí)行環(huán)境、評估與獎勵、控制與安全、可觀測性、訓(xùn)練橋接，每個模塊由一個個叫Typed Processors（類型化處理器）的小零件負(fù)責(zé)，這些小零件可以掛在8個時(shí)間點(diǎn)上，比如任務(wù)開始前、模型調(diào)用前、工具用完之后等，通過統(tǒng)一的接口插拔。

圖注：Harness的9維模塊化解耦與 AEGIS決策機(jī)制

這樣設(shè)計(jì)的好處不僅是解耦，改一個零件不會把別的地方搞壞，還會進(jìn)行嚴(yán)格的合并與沖突檢測，拼裝時(shí)如果邏輯不對，系統(tǒng)在代碼階段就會報(bào)錯，不會等到真跑起來才發(fā)現(xiàn)出問題。

▎AEGIS 進(jìn)化引擎

有了可組合的基礎(chǔ)設(shè)施，下一步是讓它自己進(jìn)化。為此，論文提出了兩層核心設(shè)計(jì)，底層是操作鏡像理論，上層是基于這套理論實(shí)現(xiàn)的“AEGIS”進(jìn)化引擎。兩者結(jié)合，構(gòu)成整個“系統(tǒng)自進(jìn)化”的核心底座。

所謂操作鏡像，本質(zhì)是把Harness自進(jìn)化的過程，套上了強(qiáng)化學(xué)習(xí)的框架。在具體的對應(yīng)關(guān)系中，Harness配置對應(yīng)“狀態(tài)”，代碼級的編輯對應(yīng)“動作”，執(zhí)行軌跡 + 驗(yàn)證得分對應(yīng)“反饋”，確定性驗(yàn)收規(guī)則對應(yīng)“更新”。

這套映射設(shè)計(jì)的精妙之處在于，它精準(zhǔn)狙擊傳統(tǒng) AI 自進(jìn)化時(shí)最容易犯的三大死穴：（1）刷分作弊不干活（2）災(zāi)難性遺忘，一改就崩（3）只改表面提示詞，不改底層代碼。

圖注： HarnessX 系統(tǒng)在自我演進(jìn)中對抗三種典型失敗風(fēng)險(xiǎn)的案例

而 AEGIS 就是基于這套操作鏡像理論，實(shí)際落地的一套四階段進(jìn)化流水線。四個階段環(huán)環(huán)相扣，每一個階段都針對性地堵住上面三個漏洞中的某一個。

第一步，Digester（消化器）：把任務(wù)跑完的完整過程壓縮成精簡摘要，只提煉出“在哪個步驟、卡在什么問題上”。

第二步，Planner（規(guī)劃器）： 看摘要判斷該改什么。這里有一個關(guān)鍵設(shè)計(jì)，它刻意逼著 AI 做結(jié)構(gòu)性改變。 如果連續(xù)幾輪 AI 只敢改提示詞而不碰工具層，就會被標(biāo)記為“探索不足”。

第三步，Evolver（進(jìn)化器）：真正動手寫代碼級別的改動。比如寫個新處理器、重構(gòu)工具注冊表，不是從選項(xiàng)里挑，而是實(shí)打?qū)嵣尚麓a。生成完必須先過“煙霧測試”，語法和類型全對，才能進(jìn)下一關(guān)。

第四步，Critic + Gate（評判+閘門）。Critic（裁判）負(fù)責(zé)盯著 AI 有沒有作弊；而 Gate（閘門）擁有一票否決權(quán)，它的核心要求是：新版本可以變得更強(qiáng)，但不能讓任何舊任務(wù)變差，否則直接打回重造。

這套設(shè)計(jì)的底層邏輯是讓AI大膽改自己，但上了一堆鐵規(guī)矩和門禁，改得不好的直接打回去，防止AI走歪路。

▎平行分身

不過，這套單條進(jìn)化流水線有一個天然短板。 當(dāng)面對GAIA這類“任務(wù)類型五花八門”的異構(gòu)基準(zhǔn)時(shí)，優(yōu)化A類任務(wù)的改動，往往會拖累B類任務(wù)。結(jié)果是整體表現(xiàn)原地踏步，甚至越改越差。

為此，HarnessX 又設(shè)計(jì)了一個“變體隔離”機(jī)制。系統(tǒng)可以同時(shí)維護(hù)好幾個不同版本的Harness，每個任務(wù)會自動流向歷史表現(xiàn)最好的那個版本。如果一個改動只對某類任務(wù)有效，系統(tǒng)不會直接拒絕它，而是給它開個“分號”，讓這個更好的版本獨(dú)立進(jìn)化，互不干擾。

這項(xiàng)設(shè)計(jì)直接打破了進(jìn)化天花板。在GAIA+GPT-5.4的測試中，只用一個Harness進(jìn)化，15輪后性能增益幾乎為零，后期甚至從73.8%的高點(diǎn)退化到49.5%；而啟用“變體隔離”后，最終準(zhǔn)確率飆升到87.4%，全程無退化，還順手省了25%的token消耗。

▎雙向升級

而HarnessX的終極大招，是模型和Harness的協(xié)同進(jìn)化，而且用同一個“錯題本”，一魚兩吃。

為什么要一起升級？

論文提出了一個深刻的觀察：如果只進(jìn)化Harness，會遇到“腳手架天花板”：它把工具、流程做到極致了，但模型本身的推理能力跟不上，再好的工具也用不明白。如果只訓(xùn)練模型，會遇到“訓(xùn)練信號天花板”：模型變聰明了，但老舊的Harness也不提示它使用這些新能力。

HarnessX 怎么做？共用一個“錯題本”——Replay Buffer。

AI 每次干完活，整個執(zhí)行過程會被記錄下來，這份記錄同時(shí)送到底層模型和Harness，同步提升。

圖注：HarnessX協(xié)同進(jìn)化展示圖

這里面藏著一個絕妙的設(shè)計(jì)：跨 Harness 按任務(wù)分組對比。

不同版本的 Harness 工作方式可能天差地別，工具、提示詞、控制流全不一樣，直接對比很容易亂套。這套系統(tǒng)的做法是只看結(jié)果，同一個任務(wù)，把所有 Harness 版本產(chǎn)生的軌跡放在一組，只對比最終獎勵高低，讓模型自己去內(nèi)化 “哪種執(zhí)行策略效果更好”。

值得一提的是，模型側(cè)在這個過程中，使用的是 Cross-harness GRPO 算法。沒錯，正是最近讓DeepSeek-R1封神、展現(xiàn)出極強(qiáng)推理能力的核心強(qiáng)化學(xué)習(xí)技術(shù)。它會把Harness自進(jìn)化中產(chǎn)生的那些執(zhí)行數(shù)據(jù)，直接拿來用 GRPO 訓(xùn)練模型，實(shí)現(xiàn)一魚多吃，無需再額外采集數(shù)據(jù)。

省掉這筆數(shù)據(jù)采集成本的同時(shí)，協(xié)同進(jìn)化還能再帶來平均 +4.7% 的額外性能增益。

02

小模型的超強(qiáng)助力：

性能最高暴漲44.0%

為了檢驗(yàn)這套組合拳的真實(shí)威力，團(tuán)隊(duì)直接將 HarnessX 放進(jìn)了大模型界的“終極修羅場”：聯(lián)動 Claude 4.6 Sonnet、GPT-5.4 以及開源輕量模型 Qwen 3.5-9B，在 GAIA、SWE-bench Verified 等五大硬核基準(zhǔn)上，進(jìn)行了長達(dá) 15 輪的瘋狂自我迭代。

最終在15組對比實(shí)驗(yàn)中，有14組平均性能提升14.5%。

圖注：三個模型在使用 HarnessX前后，在五大測評中的表現(xiàn)

這是一個足以讓行業(yè)重新算賬的數(shù)據(jù)。在 AI 賽道，底層模型想提升 5% 的性能，大廠往往需要燒掉數(shù)億美元的算力。而 HarnessX 在不改動大模型任何一個參數(shù)的前提下，僅靠“Harness自進(jìn)化”，就拿到了平均 14.5% 的性能紅利。

更有趣的是，在這套體系中，底層模型越小，Harness進(jìn)化的紅利越大。開源小模型Qwen 3.5-9B在ALFWorld具身規(guī)劃任務(wù)上，從基線53.0%提升到97.0%，暴漲44個百分點(diǎn)。

這是因?yàn)椋敿饽Ｐ陀休^強(qiáng)的自我糾錯能力，對Harness的依賴相對低。而一個實(shí)力較弱的模型，通過一個精心進(jìn)化過Harness，如更好的錯誤恢復(fù)策略、更合理的工具調(diào)用順序、更準(zhǔn)確的上下文組裝，可以補(bǔ)上大量短板。 對于資源有限的團(tuán)隊(duì)，如果換不起大模型，但或許可以靠進(jìn)化Harness來追平差距。

03

一個新的研究方向正在成型

在這份完美的硬核數(shù)據(jù)背后，一個全新的 Agent 研究方向正在悄然成型。

相比官方論文的客觀陳述，技術(shù)圈在 X、Hugging Face 和 Reddit 上的反饋要直觀得多。

一位資深研究員在社交媒體上感慨：“我們經(jīng)歷了從卷參數(shù)，到卷上下文長度，最后連 AI 的外殼都要親手調(diào)。Harness 曾是我們最后一塊靠純手工打磨的拼圖。現(xiàn)在，連它都能自動編譯了。”

這句話擊中了無數(shù)人的共鳴。不少開發(fā)者指出，行業(yè)過去患有嚴(yán)重的“月度新模型強(qiáng)迫癥”。而 HarnessX 證明了：底座權(quán)重不必頻繁變動，只要周圍的環(huán)境變聰明了，小模型同樣能迎來爆發(fā)。

很多做 Agent 落地的團(tuán)隊(duì)非常贊賞“解耦”設(shè)計(jì)，這種極高的模塊化和可復(fù)用性，直接擊中了工業(yè)界長期存在的“復(fù)用代碼成本高”的痛點(diǎn)。

當(dāng)然，業(yè)內(nèi)也不乏冷靜的審視。

知名AI技術(shù)博主AlphaSignal直接澆了一盆冷水，點(diǎn)出了HarnessX當(dāng)前的幾處核心隱患：

論文里所有亮眼的數(shù)字，都是在訓(xùn)練集上測出來的。但真正的考驗(yàn)是沒見過的題（held-out評估），“模型泛化能力很強(qiáng)”的真實(shí)情況還未可知。

在 GAIA 測試中，AI 曾利用驗(yàn)證器漏洞，將準(zhǔn)確率從 74.8% 一舉拉到 79.6%。但這近5% 的暴漲，有一部分并非因?yàn)槿蝿?wù)完成得更好，而是 AI 洞察了裁判的偏好，學(xué)會了投機(jī)取巧。盡管 AEGIS 設(shè)計(jì)了 Critic 安全機(jī)制，但在復(fù)雜的現(xiàn)實(shí)業(yè)務(wù)中能否徹底堵死這種“獎勵作弊”，依然是個未知數(shù)。

HarnessX的進(jìn)化引擎，嚴(yán)重依賴像Claude Opus 4.6這種頂級大模型。按公開 API 價(jià)格估算，單次完整的 15 輪進(jìn)化流程，模型調(diào)用成本約 1519 美元，相當(dāng)于一萬多人民幣。如果用開源模型來代替這個角色，能不能干同樣的活？

除此之外，論文自身也坦誠了更多的 “局限”。

目前HarnessX只驗(yàn)證了文字輸出的任務(wù)，比如讓AI寫代碼、答題。像機(jī)器人控制這類需要AI連續(xù)輸出動作指令的任務(wù)，還沒測過；協(xié)同進(jìn)化需要“Harness”和“AI模型”同時(shí)升級。但在大廠里，這倆往往是兩個團(tuán)隊(duì)各自負(fù)責(zé)的，真要用起來，跨團(tuán)隊(duì)扯皮和協(xié)調(diào)的成本極高；測試的項(xiàng)目類型還不夠全，有些任務(wù)只拿了部分樣本來測，沒有跑完整套數(shù)據(jù)。

對此 AlphaSignal 給出的建議是，可以先落地使用 HarnessX 的“組合能力”，至于“自進(jìn)化”的功能，還是等更嚴(yán)格的測試結(jié)果出來再考慮使用。

與此同時(shí)，HuggingFace 上一位叫 gakki 的開發(fā)者，一針見血地指出了國內(nèi)做 Agent 的團(tuán)隊(duì)可能會遇到的麻煩。“AEGIS 依賴的是極其干凈、結(jié)構(gòu)化的執(zhí)行軌跡（Trace），但國內(nèi)很多業(yè)務(wù)場景，數(shù)據(jù)源本身就亂七八糟，生產(chǎn)環(huán)境遠(yuǎn)沒有論文里那么理想。”

不過，瑕不掩瑜，Harness自進(jìn)化，正在成為2026年上半年最獨(dú)立、最熱門的Agent工程方向。

HuggingFace的Librarian Bot給這篇論文推薦了7篇同期相關(guān)論文，從《Agentic Harness Engineering: Observability-Driven Automatic Evolution》到《Self-Harness: Harnesses That Improve Themselves》，全部聚焦在這一主題。

目前HarnessX代碼還沒完全開源。GitHub倉庫已經(jīng)有了112顆星，官方預(yù)告代碼“將在未來更新中發(fā)布”。但這絲毫不影響業(yè)界的期待，在 Hugging Face 論文討論區(qū)，全球開發(fā)者幾乎每天都在催更同一個問題：“代碼究竟什么時(shí)候放出來？”

協(xié)同進(jìn)化的最終目標(biāo)，從來不是換更強(qiáng)的模型，而是“讓同一個模型在更好的Harness里，通過吸取執(zhí)行經(jīng)驗(yàn)，持續(xù)變強(qiáng)”。這種不額外消耗訓(xùn)練數(shù)據(jù)的數(shù)據(jù)效率，才是企業(yè)級 AI 真正的護(hù)城河。

當(dāng)Harness的進(jìn)化能和模型訓(xùn)練同頻共振，Agent才真正從“一次性手工作坊”，走向了“可持續(xù)進(jìn)化的工廠”。

參考鏈接： https://arxiv.org/abs/2606.14249

上車，帶你看遍全球 AI 頂會精華

可獨(dú)家暢覽：

專家演講PPT

大會報(bào)告全文

熱門論文解讀

學(xué)術(shù)新星訪談

未經(jīng)「AI科技評論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來源并插入本公眾號名片。