DeepSeek Harness当 AI 不再只改答案而是重组自己的工作方式一篇写给「想搞懂 agent 下一步往哪走」的人的技术文。不堆公式用大白话讲清Harness 到底是什么、它和 Prompt / RAG / 微调到底差在哪、DeepSeek 8 月 13 日发布的 Harness 新在哪、agent 未来会怎么演化、以及你怎么用「搭积木」的方式攒出一个真正专业的 agent。文末附思考题与已核验的前沿论文。所有具体跑分数字均标注来源层级详见文末核验回执arXiv 编号均经 API 核验真实存在。0. 引子为什么你的「专业 AI 助手」其实只是个演员先戳一个最常见、也最扎心的误解。现在市面上的「专业 agent」——「你是一个资深放射科医生」「你是顶级 Python 工程师」——本质上大多是角色扮演。给它 500 字人设、一点背景知识、一个说话腔调它就「看起来」很专业了。但真正的专业不是存进系统提示词里的是嵌在工作结构里的。一个真·放射科医生专业体现在看到片子先看什么、后看什么工作流什么情况下要做鉴别诊断、如何鉴别判断树遇到不确定时用什么参照系校准自己纠错机制经验积累后工作流会自动调整自进化这些东西塞进 500 字 prompt塞不进去。就算硬塞进去了模型也只会「引用」它们不会真的按那个结构干活。DeepSeek 在 2026 年 8 月 13 日发布的DeepSeek HarnessDSH想解决的就是这个问题——把「专家怎么工作」变成可修改、可观察、可归因的离散单元。你改 prompt模型只是在输出时参考了「我是放射科医生」这个标签你改 Harness 结构模型是在按放射科医生的工作方式组织自己的行为。这两件事完全不同。本文下面就把这件事拆开讲透。1. 一句话说清Harness 到底是什么Harness 这个词本意是「马具、挽具」——把马和车连起来的那套索具。在 AI 语境里Harness 是基础模型底座和外部世界之间的一层「操作系统 / 组合层」。它管的是这些事会话怎么记Session系统提示怎么拼System Prompt工具怎么调Tools多步任务怎么循环推进Agent Loop长上下文怎么压缩Compaction记忆、子 agent、工作流怎么编排过去几年我们默认底座很聪明Harness 只是个「外壳」。但 2026 年 RHIRecursive Harness Improvement递归式 Harness 自我改进火了以后大家开始意识到改这个外壳可能比改模型权重更能让 AI 变强。2. Harness 与其他 AI 工具的差别核心对比这是全文最关键的一张表。很多人分不清 Prompt / RAG / Agent / 微调 / Harness其实它们改的东西差了一个量级。维度Prompt 提示词RAG 检索增强Agent 智能体微调 全参 / LoRAHarness 套具改的是什么输入的一句文本注入的上下文内容工具与流程编排模型权重亿级参数模型与外界之间的工作结构离散元空间是否动权重否否否是否改动粒度一句话一批文档片段几个工具调用连续参数空间离散组件可插拔、可撤销、可归因专长从哪来人写死检索命中编排逻辑训练数据原语的组合策略能否自进化否否部分需重训是RHI 递归改进一句话类比给演员台词给演员剧本资料给演员剧组流程重造演员的大脑改剧组的组织法与工作方式正交可叠加基础模型Prompt 提示词给台词RAG 检索增强给资料Agent 智能体给流程微调 全参 LoRA改大脑Harness 套具改工作方式记住一句话Prompt 填内容、RAG 填上下文、Agent 排流程、微调改大脑、Harness 改工作方式。Harness 和微调是正交的两条路——一个动结构、一个动权重可以叠加谁也替代不了谁。3. DeepSeek Harness 到底新在哪一切皆插件 可回退效应市面上的 HarnessClaude Code、Codex、Hermes、Pi 等模式都差不多底层核心给你锁死不能动想加功能就往上搭插件。DeepSeek 这套完全不同——Everything is a Plugin一切皆插件。3.1 三层插件 一个不动的 Runtime官方架构把传统 Harness 里「默认属于底层框架、不更新版本不会动」的东西也全拆成了插件核心插件层7 个Session、System Prompt、Tools、Agent、Agent Loop、Scope、LLM 适配器扩展插件层Context / Instructions、Compaction、Skill、Sub-agent、Workflow、Goal、Jobs外围插件层File System、Shell、Storage、UI、API、Sandbox、审批策略、凭据……而最底下只有一个不动的Cordis RuntimeCordis 运行时它只提供六种最基础的操作use装组件、effect记录一次可撤销修改、set提供能力、get读取能力、isolate隔离能力、intercept加使用规则。Cordis Runtime 六原语use effect set get isolate intercept核心插件层Session SystemPrompt Tools AgentLoop LLM扩展插件层Context Compaction Skill Subagent Workflow外围插件层FileSystem Shell Storage UI API3.2 可回退效应让插件「干净地拆」传统插件系统比如 VSCode换插件基本靠「重启整个进程」cache、连接、中间状态全丢。它根本不知道「这个组件到底给环境加了什么、依赖了什么」所以只能整段撤销。DSH 引入了revertible effects可回退效应每次 effect 执行修改时同时向 runtime 返回一个inverse逆操作——也就是「怎么恢复」的说明书。runtime 把这些逆操作累积起来卸载组件时按相反顺序执行就能无损恢复到没加插件之前的状态只撤掉插件自己的贡献。这背后是论文《A Programming Paradigm for Spatiotemporal Composability》时空可组合性的编程范式北大与 DeepSeek-AI Harness 负责人崔添翼共同完成被视为 DSH 的理论基础该文经多次 arXiv 检索未命中疑为 DeepSeek 技术报告/非 arXiv 来源本文不标 arXiv 编号提出的两条可组合性时间可组合性Temporal Composability我能把自己留下的东西撤干净。空间可组合性Spatial Composability在我撤掉之前所有和我发生关系的组件都能被正确处理。为了表达依赖论文引入第二套机制reactive coeffects反应式共效应组件声明「我需要环境给我什么如 database、logger」另一个组件声明「我可以提供 database」。这样隐式的调用关系被提升成 runtime 能直接看到的依赖拓扑图。组件消失时依赖它的下游会先退出、再真正撤销——绝不会顺手把别人的东西毁掉。3.3 为什么这对「自进化」是底牌这是 DSH 真正的野心所在也是它和普通组件化最大的区别它把「耦合关系」本身也变成了 Runtime 可见的结构。做 RHI 的都知道一个核心难题——Reward Assignment奖励归因 / 信用分配一次 Harness 修改究竟是哪一部分真正起了作用传统 Harness 改一个地方你根本不知道这一改动和系统其他部分怎么耦合Reward 只能整体强化整条行为序列。而 DSH 让每个组件有身份、依赖有结构、运行影响可追踪、修改还能局部撤销。于是一次昂贵的 Rollout 留下的不再是「一个最终 Reward」而是「当前结构—这次干预—影响范围—轨迹变化—最终结果」一整条训练信号。这正是给自进化 Optimizer 喂的「干净饲料」。顺带一个洞察作为 GRPO 算法提出者的 DeepSeek这次偏偏做了一个有利于细粒度 Reward Assignment的系统。原因很硬——GRPO 在推理 RL 里够用同一道题采 16 个回答环境没变粗信号就够但到了 Agentic RL环境状态本身会被 Agent 的历史行为改变比如长期记忆不同 Rollout 已经不在相同的「中间状态」上了粗信号会失真。今年 5 月的 Memory-R22605.21768、7 月的 TRACE2607.13988等工作都在专门做长时程信用分配正是同一痛点。4. RHI 的三个两难困境想自进化必须先回答在 DSH 发布前后RHI 领域最火但也最乱。核心卡在三个没人答清的问题以下事实来自附带的深度解读文章具体数字见文末标注困境 1进化什么大家嘴里的「Harness」根本不是同一个东西。是 PromptPromptTool还是连 Memory、Middleware、Agent 拓扑、Runtime、Evaluator 都算修改空间的边界在哪3 月斯坦福Meta-Harness把整个可执行代码交给 Coding Agent 改4 月复旦AHE提出「异质动作空间」问题把每个组件单独文件化组件可观测性8 月HarnessCompass发现组件一起优化会 cross-component interference跨组件干扰于是先做 component-wise optimization组件级优化再整合。困境 2怎么进化是找一个跨任务复用的「最好 Harness」还是承认不同任务/模型本就该用不同 Harness7 月 14 日 AI2 的Rethinking the Evaluation of Harness Evolution发现现有自动 Harness 进化未必稳赢「并行采样 / 连续修订」这类测试时扩展留出任务上泛化极差Claude Opus 4.6 只比初始 1.2 个百分点Opus 4.6 对比与有限收益结论已核验摘要具体数值见论文正文。7 月 20 日 UC Berkeley 的Automated Discovery Has No Universally Superior Harness拆了 30 套 Harness、跑了 310 万次 Rollout结论没有任何一套固定 Harness 能在所有模型、所有任务上稳定最好。Harness 更像依赖具体模型/任务的超参数。但 AHE 实验里演化出的 Harness 冻结后换模型家族仍有 5.1~10.1 个百分点收益且真正可迁移的是 Tools、Middleware、Long-term Memory——完整 Harness 不通用但某些原语可能通用。困境 3怎么才算真正递归如果 H1→H2→H3 变了但产生修改的 Optimizer 始终不变那「改进自己」这项能力本身并没进步。「Recursive」才是 RHI 最重的词。8 月Harness-R1单独训练了一个 9B 的 Harness Engineer看失败轨迹生成可执行修改再用 SFT 冷启动 Online GRPO 训练它自己——Qwen3.5-9B 平均成功率 44.3%→53.6%已核验论文摘要2608.02276。这才有了一点「优化器也在进化」的味道。5. 一种可能的 Harness 世界观组合泛化7 月 MIT CSAIL 一篇出圈论文《Language model harnesses are compositional generalizers》语言模型 Harness 是组合泛化器该文经多次 arXiv 检索未命中疑为非 arXiv 来源本文不标 arXiv 编号提供了一个关键视角恰好能把上面三个困境放进同一个框架大模型后训练越来越像「哪里不行补哪里」——Coding 不够就做 Coding RL任务变长就做更长 Rollout。代价是每出现一种新任务形态都倾向重新训练模型。但现实任务组合几乎无穷。这篇论文认为缺的那项能力是如果新任务只是旧能力的一种新组合干脆找个系统去自己重新组织这些旧能力不比重新学一遍省钱吗而这个系统就是 Harness。它提出一个状态叫LIDLocally In-Distribution局部分布内整道任务可以是 OOD分布外的但每一次真正送进模型的局部调用最好仍落在模型熟悉的分布里。Harness 的意义就是把第一次见到的完整任务转换成「已经会做的局部动作 一种新的组合方式」。这给困境 2 提供了出口我们不必要求所有任务用同一套 Harness而是让 Harness 在不同任务下做不同的组件组合。要达成这种泛化需要两样东西① 相对稳定的 Harness 原语② 组合这些原语的能力。6. Agent 未来趋势从角色扮演到工作结构重组到自进化把前面串起来agent 的演化路线其实很清楚角色扮演500字人设工作流固化SOP 原语沉淀组合泛化按任务重组原语自进化优化器也进化第一阶段现在大部分角色扮演。给人设、给腔调输出「看起来专业」。天花板就是「像」不是「真会」。第二阶段正在发生工作流固化。把专家的工作方式拆成可复用的「原语」SOP / 技能 / 中间件 / 记忆规范像积木一样存起来。第三阶段前沿组合泛化。面对新任务、新模型、新环境动态重组这些原语而不是套一套写死的流程。第四阶段最激进自进化。不仅改答案、改工作方式还让「改进工作方式」这项能力本身也被训练——从「优化模型权重」走向「优化智能体工作结构的离散空间」。一句话收住第四节那个洞察真正专业的 agent专业能力嵌在工作结构里不在 prompt 里。7. 如何搭好你的 Harness 积木成为独特的专业 agent讲完大图景落到你手上能做的事。搭一个「独特专业 agent」不需要等 DSH 开源今天就能从「攒原语」开始第一步锁定一个真实专业任务。别一上来想「通用助手」。先想清楚你要在哪个具体场景让 AI 表现出只有内行才有的工作方式例如「基于我的小说库做不崩设定的陪伴角色回应」「基于我的书库做带出处的知识问答」。第二步拆出稳定原语。把「专业」拆成少数几类可复用组件对应前面论文里的可迁移原语Tool工具查资料、算数、调 APIMemory记忆长期知识库、会话记忆的读写规范Middleware中间件在模型前后做的一道加工如先判断情感再回应Recovery恢复答不上来 / 不确定时怎么兜底、怎么自查Context Management上下文管理哪些信息留、哪些送进上下文、怎么切分任务第三步用结构化卡片沉淀原语。这是把「人话经验」变成「机器可调用组件」的关键一步。举个例子——你之前在 IMA「灵岩·灵魂碎片库」里做的那些frz_日常陪伴_甜_心动破防_02_heart场景卡其实就是 harness 原语的雏形每张卡带emotion_main / emotion_sub / intensity / valence / trope情绪本体 检索优先级 P15维评分合格D2-Plus 三层叙事扫描分析层。它比纯文本切块高级的地方正是给了检索器结构化维度和给模型写作手册。第四步写组合策略。不要写死「所有情况都用同一套」。而是写什么任务 / 什么模型 / 什么失败信号 → 调用哪几个原语的组合。这就是 RHI 世界观里「适应能力通用」那一层。第五步跑评测、可回退地迭代。每次改一个原语或组合看 Agent 行为变化效果不好就撤掉这一处贡献DSH 的可回退效应思想你手动也能做版本化管理你的原语卡改坏了一键回滚。锁定一个专业任务拆出稳定原语工具 记忆 中间件 恢复 上下文管理用结构化卡片沉淀如情绪标签场景卡写组合策略什么任务用什么组合跑评测 看行为变化可回退地迭代只撤自己的贡献你攒的不是「一篇文章」而是一套别人没有的、带你自己审美与专业判断的原语库——这才是「独特」的来源也是 DSH「一切皆插件」想给你的最终形态。8. 核心辨析它是通用模型的「微调」吗比 RAG 更大的跃迁直接回答你最关心的这个问题。① 它不是通用模型的微调。微调改的是连续权重空间亿级参数、梯度下降、灾难性遗忘风险、重训成本。Harness 改的是离散的结构空间哪些组件、怎么组合、什么顺序。两者优化对象完全不同Harness 不动权重 → 不会遗忘、不消耗训练算力、改坏了一键回退它和微调正交可以叠加一边 QLoRA 装领域知识一边 Harness 重组工作方式所以「训出一个比基座更聪明的模型」不是 Harness 的目标也做不到。它让同一个底座在不同任务上组织出更优的工作方式而不是更聪明。② 它确实比 RAG 是更大的跃迁——但大在「层级」而非「效果」。RAG 在推理时把相关文档塞进上下文改变的是「这一次回答用到的内容」模型的工作方式没变还是那个通用模型只是多了点资料。Harness 改变的是「模型怎么工作」先看什么、怎么切分任务、调什么工具、怎么纠错。这是工作方式重组vs内容填充的区别——比 RAG 更底层、更结构化。用前面的类比RAG 是「给演员剧本资料」Harness 是「改剧组的组织法与工作方式」。后者当然更根本。③ 但也要诚实它不是银弹。对大多数个人用户RAG 好 prompt 仍是性价比最高的起点Harness 自进化是前沿团队和大语料的游戏。DSH 的价值在于把「一切皆插件」做成规范让普通人也能从「搭积木」开始而不是被挡在底层框架之外。真正的专业 agent 你独有的原语库 针对你任务的组合策略而不是某一套「万能 Harness」。9. 参考论文arXiv 前沿均已核验编号论文作者arXiv年份/会议与本文关系链接Recursive Harness Self-ImprovementHyunin Lee et al.2607.155242026-07RHI 实证低推理预算 Agent 超越高预算Sakana AI 发布链接Meta-Harness: End-to-End Optimization of Model HarnessesYoonho Lee et al.2603.280522026-03困境1「进化什么」把整个可执行代码交给 Coding Agent链接Agentic Harness Engineering (AHE)Jiahang Lin et al.2604.258502026-04组件可观测性、异质动作空间原语跨模型可迁移链接HarnessCompassLuan Zhang et al.2608.019182026-08组件级优化 泛化门困境2 的出路链接Rethinking the Evaluation of Harness Evolution for AgentsYike Wang et al.2607.122272026-07困境2自动 Harness 进化未必稳赢测试时扩展链接Automated Discovery Has No Universally Superior HarnessAkshat Gupta et al.2607.182352026-07困境2无任何固定 Harness 全场景最优UC Berkeley链接Harness-R1: Learning to Edit Executable Runtime HarnessesShuai Shao et al.2608.022762026-08困境3单独训练 9B Harness Engineer优化器也进化链接Memory-R2: Fair Credit Assignment for Long-Horizon Memory-Augmented LLM AgentsSikuan Yan et al.2605.217682026-05Agentic RL 信用分配支撑第3节 Reward Assignment链接TRACE: Turn-level Reward Assignment via Credit Estimation for Long-Horizon AgentsLeitian Tao, Baolin Peng, Wenlin Yao2607.139882026-07长时程信用分配支撑第3节 Reward Assignment链接注上表 9 条编号均经 arXiv API 核验真实存在具体数字见正文标注层级。延伸参考非 arXiv 来源经多次 arXiv 检索未命中本文不标注编号仅引用其概念《Language model harnesses are compositional generalizers》MIT CSAIL组合泛化世界观支撑第 5 节——疑为技术报告/非 arXiv 论文未标编号《A Programming Paradigm for Spatiotemporal Composability》北大 崔添翼DSH 理论基础支撑第 3 节——疑为 DeepSeek 技术材料/非 arXiv 论文未标编号TRACE 已上移主表2607.13988本次经 arXiv API 检索命中并核验10. 留给你的思考题你的「专业」藏在哪一层回顾你正在做的事——是停留在 prompt 人设还是已经拆出了可复用的「原语」如果明天换一个底座模型你的专业能力能保留多少原语 vs 组合你更缺哪样是「没有稳定的组件」还是「有了组件却写不出针对任务的动态组合策略」可回退你做到了吗你每次改 agent 配置能干净地只撤掉自己那处改动吗还是只能整段重来RHI 三困境你站哪边你认为最终会有「万能 Harness」还是「原语通用、组合因任务而异」你的业务里哪些原语可能跨任务复用Harness 是微调吗用本文第 8 节的框架重新评估你手头那个「专业助手」——它改的是权重、上下文、还是工作方式 DeepSeek Harness：当 AI 不再只改答案，而是重组自己的“工作方式“
DeepSeek Harness当 AI 不再只改答案而是重组自己的工作方式一篇写给「想搞懂 agent 下一步往哪走」的人的技术文。不堆公式用大白话讲清Harness 到底是什么、它和 Prompt / RAG / 微调到底差在哪、DeepSeek 8 月 13 日发布的 Harness 新在哪、agent 未来会怎么演化、以及你怎么用「搭积木」的方式攒出一个真正专业的 agent。文末附思考题与已核验的前沿论文。所有具体跑分数字均标注来源层级详见文末核验回执arXiv 编号均经 API 核验真实存在。0. 引子为什么你的「专业 AI 助手」其实只是个演员先戳一个最常见、也最扎心的误解。现在市面上的「专业 agent」——「你是一个资深放射科医生」「你是顶级 Python 工程师」——本质上大多是角色扮演。给它 500 字人设、一点背景知识、一个说话腔调它就「看起来」很专业了。但真正的专业不是存进系统提示词里的是嵌在工作结构里的。一个真·放射科医生专业体现在看到片子先看什么、后看什么工作流什么情况下要做鉴别诊断、如何鉴别判断树遇到不确定时用什么参照系校准自己纠错机制经验积累后工作流会自动调整自进化这些东西塞进 500 字 prompt塞不进去。就算硬塞进去了模型也只会「引用」它们不会真的按那个结构干活。DeepSeek 在 2026 年 8 月 13 日发布的DeepSeek HarnessDSH想解决的就是这个问题——把「专家怎么工作」变成可修改、可观察、可归因的离散单元。你改 prompt模型只是在输出时参考了「我是放射科医生」这个标签你改 Harness 结构模型是在按放射科医生的工作方式组织自己的行为。这两件事完全不同。本文下面就把这件事拆开讲透。1. 一句话说清Harness 到底是什么Harness 这个词本意是「马具、挽具」——把马和车连起来的那套索具。在 AI 语境里Harness 是基础模型底座和外部世界之间的一层「操作系统 / 组合层」。它管的是这些事会话怎么记Session系统提示怎么拼System Prompt工具怎么调Tools多步任务怎么循环推进Agent Loop长上下文怎么压缩Compaction记忆、子 agent、工作流怎么编排过去几年我们默认底座很聪明Harness 只是个「外壳」。但 2026 年 RHIRecursive Harness Improvement递归式 Harness 自我改进火了以后大家开始意识到改这个外壳可能比改模型权重更能让 AI 变强。2. Harness 与其他 AI 工具的差别核心对比这是全文最关键的一张表。很多人分不清 Prompt / RAG / Agent / 微调 / Harness其实它们改的东西差了一个量级。维度Prompt 提示词RAG 检索增强Agent 智能体微调 全参 / LoRAHarness 套具改的是什么输入的一句文本注入的上下文内容工具与流程编排模型权重亿级参数模型与外界之间的工作结构离散元空间是否动权重否否否是否改动粒度一句话一批文档片段几个工具调用连续参数空间离散组件可插拔、可撤销、可归因专长从哪来人写死检索命中编排逻辑训练数据原语的组合策略能否自进化否否部分需重训是RHI 递归改进一句话类比给演员台词给演员剧本资料给演员剧组流程重造演员的大脑改剧组的组织法与工作方式正交可叠加基础模型Prompt 提示词给台词RAG 检索增强给资料Agent 智能体给流程微调 全参 LoRA改大脑Harness 套具改工作方式记住一句话Prompt 填内容、RAG 填上下文、Agent 排流程、微调改大脑、Harness 改工作方式。Harness 和微调是正交的两条路——一个动结构、一个动权重可以叠加谁也替代不了谁。3. DeepSeek Harness 到底新在哪一切皆插件 可回退效应市面上的 HarnessClaude Code、Codex、Hermes、Pi 等模式都差不多底层核心给你锁死不能动想加功能就往上搭插件。DeepSeek 这套完全不同——Everything is a Plugin一切皆插件。3.1 三层插件 一个不动的 Runtime官方架构把传统 Harness 里「默认属于底层框架、不更新版本不会动」的东西也全拆成了插件核心插件层7 个Session、System Prompt、Tools、Agent、Agent Loop、Scope、LLM 适配器扩展插件层Context / Instructions、Compaction、Skill、Sub-agent、Workflow、Goal、Jobs外围插件层File System、Shell、Storage、UI、API、Sandbox、审批策略、凭据……而最底下只有一个不动的Cordis RuntimeCordis 运行时它只提供六种最基础的操作use装组件、effect记录一次可撤销修改、set提供能力、get读取能力、isolate隔离能力、intercept加使用规则。Cordis Runtime 六原语use effect set get isolate intercept核心插件层Session SystemPrompt Tools AgentLoop LLM扩展插件层Context Compaction Skill Subagent Workflow外围插件层FileSystem Shell Storage UI API3.2 可回退效应让插件「干净地拆」传统插件系统比如 VSCode换插件基本靠「重启整个进程」cache、连接、中间状态全丢。它根本不知道「这个组件到底给环境加了什么、依赖了什么」所以只能整段撤销。DSH 引入了revertible effects可回退效应每次 effect 执行修改时同时向 runtime 返回一个inverse逆操作——也就是「怎么恢复」的说明书。runtime 把这些逆操作累积起来卸载组件时按相反顺序执行就能无损恢复到没加插件之前的状态只撤掉插件自己的贡献。这背后是论文《A Programming Paradigm for Spatiotemporal Composability》时空可组合性的编程范式北大与 DeepSeek-AI Harness 负责人崔添翼共同完成被视为 DSH 的理论基础该文经多次 arXiv 检索未命中疑为 DeepSeek 技术报告/非 arXiv 来源本文不标 arXiv 编号提出的两条可组合性时间可组合性Temporal Composability我能把自己留下的东西撤干净。空间可组合性Spatial Composability在我撤掉之前所有和我发生关系的组件都能被正确处理。为了表达依赖论文引入第二套机制reactive coeffects反应式共效应组件声明「我需要环境给我什么如 database、logger」另一个组件声明「我可以提供 database」。这样隐式的调用关系被提升成 runtime 能直接看到的依赖拓扑图。组件消失时依赖它的下游会先退出、再真正撤销——绝不会顺手把别人的东西毁掉。3.3 为什么这对「自进化」是底牌这是 DSH 真正的野心所在也是它和普通组件化最大的区别它把「耦合关系」本身也变成了 Runtime 可见的结构。做 RHI 的都知道一个核心难题——Reward Assignment奖励归因 / 信用分配一次 Harness 修改究竟是哪一部分真正起了作用传统 Harness 改一个地方你根本不知道这一改动和系统其他部分怎么耦合Reward 只能整体强化整条行为序列。而 DSH 让每个组件有身份、依赖有结构、运行影响可追踪、修改还能局部撤销。于是一次昂贵的 Rollout 留下的不再是「一个最终 Reward」而是「当前结构—这次干预—影响范围—轨迹变化—最终结果」一整条训练信号。这正是给自进化 Optimizer 喂的「干净饲料」。顺带一个洞察作为 GRPO 算法提出者的 DeepSeek这次偏偏做了一个有利于细粒度 Reward Assignment的系统。原因很硬——GRPO 在推理 RL 里够用同一道题采 16 个回答环境没变粗信号就够但到了 Agentic RL环境状态本身会被 Agent 的历史行为改变比如长期记忆不同 Rollout 已经不在相同的「中间状态」上了粗信号会失真。今年 5 月的 Memory-R22605.21768、7 月的 TRACE2607.13988等工作都在专门做长时程信用分配正是同一痛点。4. RHI 的三个两难困境想自进化必须先回答在 DSH 发布前后RHI 领域最火但也最乱。核心卡在三个没人答清的问题以下事实来自附带的深度解读文章具体数字见文末标注困境 1进化什么大家嘴里的「Harness」根本不是同一个东西。是 PromptPromptTool还是连 Memory、Middleware、Agent 拓扑、Runtime、Evaluator 都算修改空间的边界在哪3 月斯坦福Meta-Harness把整个可执行代码交给 Coding Agent 改4 月复旦AHE提出「异质动作空间」问题把每个组件单独文件化组件可观测性8 月HarnessCompass发现组件一起优化会 cross-component interference跨组件干扰于是先做 component-wise optimization组件级优化再整合。困境 2怎么进化是找一个跨任务复用的「最好 Harness」还是承认不同任务/模型本就该用不同 Harness7 月 14 日 AI2 的Rethinking the Evaluation of Harness Evolution发现现有自动 Harness 进化未必稳赢「并行采样 / 连续修订」这类测试时扩展留出任务上泛化极差Claude Opus 4.6 只比初始 1.2 个百分点Opus 4.6 对比与有限收益结论已核验摘要具体数值见论文正文。7 月 20 日 UC Berkeley 的Automated Discovery Has No Universally Superior Harness拆了 30 套 Harness、跑了 310 万次 Rollout结论没有任何一套固定 Harness 能在所有模型、所有任务上稳定最好。Harness 更像依赖具体模型/任务的超参数。但 AHE 实验里演化出的 Harness 冻结后换模型家族仍有 5.1~10.1 个百分点收益且真正可迁移的是 Tools、Middleware、Long-term Memory——完整 Harness 不通用但某些原语可能通用。困境 3怎么才算真正递归如果 H1→H2→H3 变了但产生修改的 Optimizer 始终不变那「改进自己」这项能力本身并没进步。「Recursive」才是 RHI 最重的词。8 月Harness-R1单独训练了一个 9B 的 Harness Engineer看失败轨迹生成可执行修改再用 SFT 冷启动 Online GRPO 训练它自己——Qwen3.5-9B 平均成功率 44.3%→53.6%已核验论文摘要2608.02276。这才有了一点「优化器也在进化」的味道。5. 一种可能的 Harness 世界观组合泛化7 月 MIT CSAIL 一篇出圈论文《Language model harnesses are compositional generalizers》语言模型 Harness 是组合泛化器该文经多次 arXiv 检索未命中疑为非 arXiv 来源本文不标 arXiv 编号提供了一个关键视角恰好能把上面三个困境放进同一个框架大模型后训练越来越像「哪里不行补哪里」——Coding 不够就做 Coding RL任务变长就做更长 Rollout。代价是每出现一种新任务形态都倾向重新训练模型。但现实任务组合几乎无穷。这篇论文认为缺的那项能力是如果新任务只是旧能力的一种新组合干脆找个系统去自己重新组织这些旧能力不比重新学一遍省钱吗而这个系统就是 Harness。它提出一个状态叫LIDLocally In-Distribution局部分布内整道任务可以是 OOD分布外的但每一次真正送进模型的局部调用最好仍落在模型熟悉的分布里。Harness 的意义就是把第一次见到的完整任务转换成「已经会做的局部动作 一种新的组合方式」。这给困境 2 提供了出口我们不必要求所有任务用同一套 Harness而是让 Harness 在不同任务下做不同的组件组合。要达成这种泛化需要两样东西① 相对稳定的 Harness 原语② 组合这些原语的能力。6. Agent 未来趋势从角色扮演到工作结构重组到自进化把前面串起来agent 的演化路线其实很清楚角色扮演500字人设工作流固化SOP 原语沉淀组合泛化按任务重组原语自进化优化器也进化第一阶段现在大部分角色扮演。给人设、给腔调输出「看起来专业」。天花板就是「像」不是「真会」。第二阶段正在发生工作流固化。把专家的工作方式拆成可复用的「原语」SOP / 技能 / 中间件 / 记忆规范像积木一样存起来。第三阶段前沿组合泛化。面对新任务、新模型、新环境动态重组这些原语而不是套一套写死的流程。第四阶段最激进自进化。不仅改答案、改工作方式还让「改进工作方式」这项能力本身也被训练——从「优化模型权重」走向「优化智能体工作结构的离散空间」。一句话收住第四节那个洞察真正专业的 agent专业能力嵌在工作结构里不在 prompt 里。7. 如何搭好你的 Harness 积木成为独特的专业 agent讲完大图景落到你手上能做的事。搭一个「独特专业 agent」不需要等 DSH 开源今天就能从「攒原语」开始第一步锁定一个真实专业任务。别一上来想「通用助手」。先想清楚你要在哪个具体场景让 AI 表现出只有内行才有的工作方式例如「基于我的小说库做不崩设定的陪伴角色回应」「基于我的书库做带出处的知识问答」。第二步拆出稳定原语。把「专业」拆成少数几类可复用组件对应前面论文里的可迁移原语Tool工具查资料、算数、调 APIMemory记忆长期知识库、会话记忆的读写规范Middleware中间件在模型前后做的一道加工如先判断情感再回应Recovery恢复答不上来 / 不确定时怎么兜底、怎么自查Context Management上下文管理哪些信息留、哪些送进上下文、怎么切分任务第三步用结构化卡片沉淀原语。这是把「人话经验」变成「机器可调用组件」的关键一步。举个例子——你之前在 IMA「灵岩·灵魂碎片库」里做的那些frz_日常陪伴_甜_心动破防_02_heart场景卡其实就是 harness 原语的雏形每张卡带emotion_main / emotion_sub / intensity / valence / trope情绪本体 检索优先级 P15维评分合格D2-Plus 三层叙事扫描分析层。它比纯文本切块高级的地方正是给了检索器结构化维度和给模型写作手册。第四步写组合策略。不要写死「所有情况都用同一套」。而是写什么任务 / 什么模型 / 什么失败信号 → 调用哪几个原语的组合。这就是 RHI 世界观里「适应能力通用」那一层。第五步跑评测、可回退地迭代。每次改一个原语或组合看 Agent 行为变化效果不好就撤掉这一处贡献DSH 的可回退效应思想你手动也能做版本化管理你的原语卡改坏了一键回滚。锁定一个专业任务拆出稳定原语工具 记忆 中间件 恢复 上下文管理用结构化卡片沉淀如情绪标签场景卡写组合策略什么任务用什么组合跑评测 看行为变化可回退地迭代只撤自己的贡献你攒的不是「一篇文章」而是一套别人没有的、带你自己审美与专业判断的原语库——这才是「独特」的来源也是 DSH「一切皆插件」想给你的最终形态。8. 核心辨析它是通用模型的「微调」吗比 RAG 更大的跃迁直接回答你最关心的这个问题。① 它不是通用模型的微调。微调改的是连续权重空间亿级参数、梯度下降、灾难性遗忘风险、重训成本。Harness 改的是离散的结构空间哪些组件、怎么组合、什么顺序。两者优化对象完全不同Harness 不动权重 → 不会遗忘、不消耗训练算力、改坏了一键回退它和微调正交可以叠加一边 QLoRA 装领域知识一边 Harness 重组工作方式所以「训出一个比基座更聪明的模型」不是 Harness 的目标也做不到。它让同一个底座在不同任务上组织出更优的工作方式而不是更聪明。② 它确实比 RAG 是更大的跃迁——但大在「层级」而非「效果」。RAG 在推理时把相关文档塞进上下文改变的是「这一次回答用到的内容」模型的工作方式没变还是那个通用模型只是多了点资料。Harness 改变的是「模型怎么工作」先看什么、怎么切分任务、调什么工具、怎么纠错。这是工作方式重组vs内容填充的区别——比 RAG 更底层、更结构化。用前面的类比RAG 是「给演员剧本资料」Harness 是「改剧组的组织法与工作方式」。后者当然更根本。③ 但也要诚实它不是银弹。对大多数个人用户RAG 好 prompt 仍是性价比最高的起点Harness 自进化是前沿团队和大语料的游戏。DSH 的价值在于把「一切皆插件」做成规范让普通人也能从「搭积木」开始而不是被挡在底层框架之外。真正的专业 agent 你独有的原语库 针对你任务的组合策略而不是某一套「万能 Harness」。9. 参考论文arXiv 前沿均已核验编号论文作者arXiv年份/会议与本文关系链接Recursive Harness Self-ImprovementHyunin Lee et al.2607.155242026-07RHI 实证低推理预算 Agent 超越高预算Sakana AI 发布链接Meta-Harness: End-to-End Optimization of Model HarnessesYoonho Lee et al.2603.280522026-03困境1「进化什么」把整个可执行代码交给 Coding Agent链接Agentic Harness Engineering (AHE)Jiahang Lin et al.2604.258502026-04组件可观测性、异质动作空间原语跨模型可迁移链接HarnessCompassLuan Zhang et al.2608.019182026-08组件级优化 泛化门困境2 的出路链接Rethinking the Evaluation of Harness Evolution for AgentsYike Wang et al.2607.122272026-07困境2自动 Harness 进化未必稳赢测试时扩展链接Automated Discovery Has No Universally Superior HarnessAkshat Gupta et al.2607.182352026-07困境2无任何固定 Harness 全场景最优UC Berkeley链接Harness-R1: Learning to Edit Executable Runtime HarnessesShuai Shao et al.2608.022762026-08困境3单独训练 9B Harness Engineer优化器也进化链接Memory-R2: Fair Credit Assignment for Long-Horizon Memory-Augmented LLM AgentsSikuan Yan et al.2605.217682026-05Agentic RL 信用分配支撑第3节 Reward Assignment链接TRACE: Turn-level Reward Assignment via Credit Estimation for Long-Horizon AgentsLeitian Tao, Baolin Peng, Wenlin Yao2607.139882026-07长时程信用分配支撑第3节 Reward Assignment链接注上表 9 条编号均经 arXiv API 核验真实存在具体数字见正文标注层级。延伸参考非 arXiv 来源经多次 arXiv 检索未命中本文不标注编号仅引用其概念《Language model harnesses are compositional generalizers》MIT CSAIL组合泛化世界观支撑第 5 节——疑为技术报告/非 arXiv 论文未标编号《A Programming Paradigm for Spatiotemporal Composability》北大 崔添翼DSH 理论基础支撑第 3 节——疑为 DeepSeek 技术材料/非 arXiv 论文未标编号TRACE 已上移主表2607.13988本次经 arXiv API 检索命中并核验10. 留给你的思考题你的「专业」藏在哪一层回顾你正在做的事——是停留在 prompt 人设还是已经拆出了可复用的「原语」如果明天换一个底座模型你的专业能力能保留多少原语 vs 组合你更缺哪样是「没有稳定的组件」还是「有了组件却写不出针对任务的动态组合策略」可回退你做到了吗你每次改 agent 配置能干净地只撤掉自己那处改动吗还是只能整段重来RHI 三困境你站哪边你认为最终会有「万能 Harness」还是「原语通用、组合因任务而异」你的业务里哪些原语可能跨任务复用Harness 是微调吗用本文第 8 节的框架重新评估你手头那个「专业助手」——它改的是权重、上下文、还是工作方式