Claude 和 Manus 還要人工搭框架？小米直接讓 Agent 自我進化

連 AI 的 “外殼” 都學會自我迭代了

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、工具調用規則、記憶管理、控制流、安全護欄等。 過去半年，Claude Code、Manus 這類全自動智能體一路狂飆，已經跑通了 “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在運行時產生的千萬級token執行軌跡，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的信號。

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

這次，小米直接掀桌子了。

6 月 12 日，小米Darwin Agent Team 發布論文《HarnessX》，直接瞄準這個痛點，用“系統自進化”，試圖終結 Harness 人工調優的時代。

圖注：小米團隊發布論文《HarnessX》

地址：https://arxiv.org/abs/2606.14249

結果很驚人，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 這類小參數開源模型時，在具身規劃任務上的性能最高暴漲了 44%。

這也是小米繼推出萬億參數 Agent 旗艦大模型 MiMo-V2-Pro 之后，再次在智能體底層架構（Harness）領域發力，這種自我修復、自我進化的框架，正是未來企業級AI接手復雜長周期任務的關鍵底座。

01

Harness升為“一等公民”：

可組合，自適應，可進化

在傳統觀點里，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”，并創造了三個關鍵特質：可組合、自適應、可進化。

圖注：HarnessX 系統的核心循環機制：可組合，自適應，可進化

▎積木式拼裝

先說可組合。

過去的 Agent 開發存在嚴重的“架構糾纏”。提示詞、工具封裝、重試策略和記憶管理，像一團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切換不同的“干活方式”。更進一步，他們把Harness拆成9個獨立的維度，包含模型選擇、上下文組裝、記憶管理、工具生態、執行環境、評估與獎勵、控制與安全、可觀測性、訓練橋接，每個模塊由一個個叫Typed Processors（類型化處理器）的小零件負責，這些小零件可以掛在8個時間點上，比如任務開始前、模型調用前、工具用完之后等，通過統一的接口插拔。

圖注：Harness的9維模塊化解耦與 AEGIS決策機制

這樣設計的好處不僅是解耦，改一個零件不會把別的地方搞壞，還會進行嚴格的合并與沖突檢測，拼裝時如果邏輯不對，系統在代碼階段就會報錯，不會等到真跑起來才發現出問題。

▎AEGIS 進化引擎

有了可組合的基礎設施，下一步是讓它自己進化。為此，論文提出了兩層核心設計，底層是操作鏡像理論，上層是基于這套理論實現的“AEGIS”進化引擎。兩者結合，構成整個“系統自進化”的核心底座。

所謂操作鏡像，本質是把Harness自進化的過程，套上了強化學習的框架。在具體的對應關系中，Harness配置對應“狀態”，代碼級的編輯對應“動作”，執行軌跡 + 驗證得分對應“反饋”，確定性驗收規則對應“更新”。

這套映射設計的精妙之處在于，它精準狙擊傳統 AI 自進化時最容易犯的三大死穴：（1）刷分作弊不干活（2）災難性遺忘，一改就崩（3）只改表面提示詞，不改底層代碼。

圖注： HarnessX 系統在自我演進中對抗三種典型失敗風險的案例

而 AEGIS 就是基于這套操作鏡像理論，實際落地的一套四階段進化流水線。四個階段環環相扣，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（規劃器）： 看摘要判斷該改什么。這里有一個關鍵設計，它刻意逼著 AI 做結構性改變。 如果連續幾輪 AI 只敢改提示詞而不碰工具層，就會被標記為“探索不足”。

第三步，Evolver（進化器）：真正動手寫代碼級別的改動。比如寫個新處理器、重構工具注冊表，不是從選項里挑，而是實打實生成新代碼。生成完必須先過“煙霧測試”，語法和類型全對，才能進下一關。

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

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

▎平行分身

不過，這套單條進化流水線有一個天然短板。 當面對GAIA這類“任務類型五花八門”的異構基準時，優化A類任務的改動，往往會拖累B類任務。結果是整體表現原地踏步，甚至越改越差。

為此，HarnessX 又設計了一個“變體隔離”機制。系統可以同時維護好幾個不同版本的Harness，每個任務會自動流向歷史表現最好的那個版本。如果一個改動只對某類任務有效，系統不會直接拒絕它，而是給它開個“分號”，讓這個更好的版本獨立進化，互不干擾。

這項設計直接打破了進化天花板。在GAIA+GPT-5.4的測試中，只用一個Harness進化，15輪后性能增益幾乎為零，后期甚至從73.8%的高點退化到49.5%；而啟用“變體隔離”后，最終準確率飆升到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的協同進化，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。如果只訓練模型，會遇到“訓練信號天花板”：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，整個執行過程會被記錄下來，這份記錄同時送到底層模型和Harness，同步提升。

圖注：HarnessX協同進化展示圖

這里面藏著一個絕妙的設計：跨 Harness 按任務分組對比。

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。這套系統的做法是只看結果，同一個任務，把所有 Harness 版本產生的軌跡放在一組，只對比最終獎勵高低，讓模型自己去內化 “哪種執行策略效果更好”。

值得一提的是，模型側在這個過程中，使用的是 Cross-harness GRPO 算法。沒錯，正是最近讓DeepSeek-R1封神、展現出極強推理能力的核心強化學習技術。它會把Harness自進化中產生的那些執行數據，直接拿來用 GRPO 訓練模型，實現一魚多吃，無需再額外采集數據。

省掉這筆數據采集成本的同時，協同進化還能再帶來平均 +4.7% 的額外性能增益。

02

小模型的超強助力：

性能最高暴漲44.0%

為了檢驗這套組合拳的真實威力，團隊直接將 HarnessX 放進了大模型界的“終極修羅場”：聯動 Claude 4.6 Sonnet、GPT-5.4 以及開源輕量模型 Qwen 3.5-9B，在 GAIA、SWE-bench Verified 等五大硬核基準上，進行了長達 15 輪的瘋狂自我迭代。

最終在15組對比實驗中，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

這是一個足以讓行業重新算賬的數據。在 AI 賽道，底層模型想提升 5% 的性能，大廠往往需要燒掉數億美元的算力。而 HarnessX 在不改動大模型任何一個參數的前提下，僅靠“Harness自進化”，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進化的紅利越大。開源小模型Qwen 3.5-9B在ALFWorld具身規劃任務上，從基線53.0%提升到97.0%，暴漲44個百分點。

這是因為，頂尖模型有較強的自我糾錯能力，對Harness的依賴相對低。而一個實力較弱的模型，通過一個精心進化過Harness，如更好的錯誤恢復策略、更合理的工具調用順序、更準確的上下文組裝，可以補上大量短板。 對于資源有限的團隊，如果換不起大模型，但或許可以靠進化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據背后，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：“我們經歷了從卷參數，到卷上下文長度，最后連 AI 的外殼都要親手調。Harness 曾是我們最后一塊靠純手工打磨的拼圖?，F在，連它都能自動編譯了。”

這句話擊中了無數人的共鳴。不少開發者指出，行業過去患有嚴重的“月度新模型強迫癥”。而 HarnessX 證明了：底座權重不必頻繁變動，只要周圍的環境變聰明了，小模型同樣能迎來爆發。

很多做 Agent 落地的團隊非常贊賞“解耦”設計，這種極高的模塊化和可復用性，直接擊中了工業界長期存在的“復用代碼成本高”的痛點。

當然，業內也不乏冷靜的審視。

知名AI技術博主AlphaSignal直接澆了一盆冷水，點出了HarnessX當前的幾處核心隱患：

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

在 GAIA 測試中，AI 曾利用驗證器漏洞，將準確率從 74.8% 一舉拉到 79.6%。但這近5% 的暴漲，有一部分并非因為任務完成得更好，而是 AI 洞察了裁判的偏好，學會了投機取巧。盡管 AEGIS 設計了 Critic 安全機制，但在復雜的現實業務中能否徹底堵死這種“獎勵作弊”，依然是個未知數。

HarnessX的進化引擎，嚴重依賴像Claude Opus 4.6這種頂級大模型。按公開 API 價格估算，單次完整的 15 輪進化流程，模型調用成本約 1519 美元，相當于一萬多人民幣。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只驗證了文字輸出的任務，比如讓AI寫代碼、答題。像機器人控制這類需要AI連續輸出動作指令的任務，還沒測過；協同進化需要“Harness”和“AI模型”同時升級。但在大廠里，這倆往往是兩個團隊各自負責的，真要用起來，跨團隊扯皮和協調的成本極高；測試的項目類型還不夠全，有些任務只拿了部分樣本來測，沒有跑完整套數據。

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

與此同時，HuggingFace 上一位叫 gakki 的開發者，一針見血地指出了國內做 Agent 的團隊可能會遇到的麻煩?！癆EGIS 依賴的是極其干凈、結構化的執行軌跡（Trace），但國內很多業務場景，數據源本身就亂七八糟，生產環境遠沒有論文里那么理想?！?/p>

不過，瑕不掩瑜，Harness自進化，正在成為2026年上半年最獨立、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倉庫已經有了112顆星，官方預告代碼“將在未來更新中發布”。但這絲毫不影響業界的期待，在 Hugging Face 論文討論區，全球開發者幾乎每天都在催更同一個問題：“代碼究竟什么時候放出來？”

協同進化的最終目標，從來不是換更強的模型，而是“讓同一個模型在更好的Harness里，通過吸取執行經驗，持續變強”。這種不額外消耗訓練數據的數據效率，才是企業級 AI 真正的護城河。

當Harness的進化能和模型訓練同頻共振，Agent才真正從“一次性手工作坊”，走向了“可持續進化的工廠”。

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

上車，帶你看遍全球 AI 頂會精華

可獨家暢覽：

專家演講PPT

大會報告全文

熱門論文解讀

學術新星訪談

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社區進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。