阅读前哨：Agent 的自我改进，开始围绕 Harness 展开

两篇 RSI 论文把焦点放在模型外围的工作系统：一条路线探索如何从任务中积累可迁移的改进经验，另一条把任务表现与运行成本放在一起权衡。

阅读状态：本文写作时尚未通读两篇论文。内容依据论文摘要及项目公开说明整理，属于阅读前哨，不是精读结论、复现记录，也不代表已经验证的个人判断。文中的技术问题和迁移想法是为后续阅读提出的线索。

最近看到两篇讨论 RSI（Recursive Self-Improvement，递归自我改进）的工作：Harness² 和 HarnessPro。它们把注意力放在模型外围的 Agent 工作系统——harness——上：提示、工具、记忆、执行流程和评估机制如何共同影响 Agent 完成任务的方式。

这带来一个值得追问的问题：模型本身不变时，Agent 能否通过改进自己的工作系统，在之后的任务中表现得更好？ 两篇论文都沿着这个方向探索，但关注点不同：Harness² 强调从当前任务中学习，并把经验带到后续任务；HarnessPro 则把任务表现和执行成本作为共同的优化目标。

Harness²：从当前任务积累改进经验

论文摘要指出，开放环境中的任务往往在 harness 设计时不可预见，因此缺少可靠的标准答案验证器；同时，针对单个任务的优化也不一定能迁移到新场景。

Harness² 提出两层递归。第一层是任务级改进：通过 Propose–Probe–Compose 流程提出候选改动、在对照条件下探测其行为，再组合有效改动；摘要称这一过程不依赖 ground-truth verifier。第二层是持续改进：从这些编辑中提取经验，更新后续任务可用的 improvement harness。

作者报告了 WorkBuddy-Bench、JobBench 和 LAB 三个基准上的结果，覆盖四种模型与 harness 配置。摘要称，单步改进在 GLM-5 和 Gemini 3.5 Flash 配置上均优于各自基础 harness；摘要列出的最高增益分别为 WorkBuddy-Bench 11.5 points、JobBench 4.5 points、LAB 11.8 percentage points。具体实验设置、各项结果对应的配置和指标口径，还需要读正文确认。

HarnessPro：把表现和成本一起纳入选择

HarnessPro 聚焦另一个实际问题：Agent 任务成功率提高时，运行成本可能也会上升。论文摘要描述的流程由多个专门 Agent 协作完成，包括诊断执行轨迹、按不同表现—成本偏好规划改动、实现候选 harness，再用 LLM 生成的测试评估候选。摘要特别说明，优化阶段不使用 ground-truth solutions 或官方测试。

它不是只返回一个版本，而是按不同部署预算选择三种配置：偏成本的 Lite、兼顾两者的 Medium，以及偏任务表现的 Heavy。摘要报告，在 Terminal-Bench 2、SWE-Bench Pro 和 ProgramBench 上，GPT-5.5 与 Codex 配置下的 Heavy 相对 RHO 平均提高 2.0 个百分点的 pass rate，同时将平均单任务成本降低 26.1%；作者称这一优势也出现在 GLM-5.2 与 Claude Code 配置中。成本定义、基线细节和各基准的分项结果仍待核验。

两条路线的区别

Harness² 关心改进如何迁移：除了改进当前任务使用的 harness，还尝试把改进经验沉淀下来，帮助后续任务适应。
HarnessPro 关心候选如何取舍：当表现和成本不能同时无限优化时，提供不同偏好的 harness 配置供部署选择。
共同问题是评估是否可信：没有标准答案时，系统怎样判断一次 harness 改动真的有帮助？由模型生成的测试能提供什么证据，又有哪些盲点？

这些工作讨论的是 Agent 执行系统的改进，不应直接等同于模型权重的自我训练。评估它们时，也需要把候选生成、测试运行和长期维护带来的额外开销放进视野。

后续精读时值得核对

Propose–Probe–Compose 的对照条件、行为信号和组合规则是什么？它们怎样降低评估器偏差？
Harness² 提取的经验具体以什么形式保存？跨任务迁移的证据有多强，如何避免把局部补丁推广成通用规则？
HarnessPro 的 LLM 生成测试如何构造和筛选？与真实任务表现的一致性如何验证？
论文报告的收益是否计入生成候选与运行评测的额外成本？换一种预算偏好，Lite、Medium、Heavy 的取舍会如何变化？

一个待验证的迁移想法

这些工作也提示了一个适合小规模验证的问题：资料整理 Agent 的改进，能否来自持续积累可复用的来源核验、事实标注和发布检查规则，而不只是反复改写提示词？可以用同一批材料比较不同规则版本，并记录事实错误、遗漏、人工修改量和处理成本。这个设想并未由上述论文直接验证；在有测试样本和真实反馈之前，它仍只是一个实验方向。