艾略特(@elliotchen100):这篇很值得讲，强推荐。最近 recursive 这个词又出来了，所以 recursive self-improvement 就火了。它不太会先表现为模型直接改自己的权重，而更可能发生在 harness 这一层，也就是模型外面的运行时系统：工具调用、上下文管理、文件系统记忆、子代理、工作流、评估、权限控制等。 AI 的自我改进不一定只发生在“模型本体”上，也可以发生在“模型外面的运行系统”上。我们一直认为更高级的 Harness 自进化会是： • agent 自动改自己的工作流代码； • 自动调整什么时候调用工具； • 自动设计子 agent 分工； • 自动优化 memory 存取策略； • 自动根据失败样本改 harness； • 自动用 held-out eval 验证新 harness 是否真的更好如果说 Agent 的自我进化发生在 Harness 层，那么被优化的不是模型权重本身，而是模型外层的执行策略。 Harness 需要根据具体场景里的失败轨迹，对症下药地调整上下文、工具使用、工作流、记忆和评估机制，从而反向优化 Agent 的行为策略。浅薄理解，差不多是 winwin

2026.07.07 13:30

这篇很值得讲，强推荐。最近 recursive 这个词又出来了，所以 recursive self-improvement 就火了。它不太会先表现为模型直接改自己的权重，而更可能发生在 harness 这一层，也就是模型外面的运行时系统：工具调用、上下文管理、文件系统记忆、子代理、工作流、评估、权限控制等。 AI 的自我改进不一定只发生在“模型本体”上，也可以发生在“模型外面的运行系统”上。我们一直认为更高级的 Harness 自进化会是： • agent 自动改自己的工作流代码； • 自动调整什么时候调用工具； • 自动设计子 agent 分工； • 自动优化 memory 存取策略； • 自动根据失败样本改 harness； • 自动用 held-out eval 验证新 harness 是否真的更好如果说 Agent 的自我进化发生在 Harness 层，那么被优化的不是模型权重本身，而是模型外层的执行策略。 Harness 需要根据具体场景里的失败轨迹，对症下药地调整上下文、工具使用、工作流、记忆和评估机制，从而反向优化 Agent 的行为策略。浅薄理解，差不多是 winwin - 互相成就。

Lilian Weng@lilianweng

2026.07.07 05:58

new post on harness engineering for AI self-improvement: It is hard to forecast how much the future of RSI will rely on harnesses. Likely harness engineering will evolve in the direction of self-improvement and enable auto-research, and, in turn, smarter models keeps harnesses simple. Even when many harness improvement get eventually internalized into core model, the need to specify goals and context will not disappear.