Self-Harness聚焦Agent外壳自改进

围绕 Agent 的“外壳”设计与自我改进，相关讨论在这一簇中形成交集。上海人工智能实验室团队提出 Self-Harness，尝试不改底层模型，而让模型基于自身执行轨迹识别 Harness 的薄弱点、提出受限修改，并用回归测试决定是否采纳；与此同时，其他帖子也把焦点放在领域专用 Harness 的价值，以及自我改进循环真正生效所需的前提条件上。

关键方法

据量子位转述，Self-Harness 的核心思路是把优化对象放在模型外层的 Harness，而不是直接训练或微调模型。其流程至少包括三步：先从失败轨迹中挖掘弱点，再生成对 Harness 的受限修改建议，最后通过回归测试筛选是否保留。帖子还提到，该方法已在 Terminal-Bench-2.0 上进行测试。

讨论重点

另一组帖子将话题延伸到 domain-specific harnesses，即为特定任务域定制执行与评测框架，而不是用一套通用流程覆盖所有场景。相关观点认为，很多 agent 或自动化系统的表现，很大程度上取决于这层“壳”是否贴合具体数据、任务与环境。

适用边界

@AI Engineer 在一场关于纸面分类任务的分享中强调，自我改进循环是否有效，关键不只是“让 agent 自己优化”。在其转述里，前提包括：任务要足够窄且能被精确度量，目标函数质量要高；否则循环可能只是持续放大原有缺陷。其结论指向同一个方向：相比单纯消耗更多 Token，先把领域知识、评测标准和外层机制设计好，往往更重要。

2026-07-17 ~ 2026-07-19 · 5 条相关

另有 1 条近重复转述:量子位