AI自进化的现实路径前OpenAI安全副总裁、Thinking Machines Lab联创翁荔发布新博客《Harness Engineering for Self-Improvement》讨论AI自进化提出一条现实路径不一定从模型直接改写自己的权重开始而是先从Harness开始。Harness可简单理解为模型外部的运行系统决定模型如何调用工具、管理上下文等。DeepSeek研究员崔添翼转发并画重点认为Harness方向的自进化和模型方向的自进化一样都是非常可能出成果的方向还提出Skill是Harness自进化中比较初级的一种形式即从prompt层面进行自进化。核心概念与自进化趋势博客讨论的核心概念是RSIRecursive Self-Improvement递归自我改进。翁荔把这个问题拆得更工程化认为在今天的AI系统里自我改进未必只意味着模型直接改写自己的权重也可能意味着改进训练流程等。而Harness是部署系统里最关键的一层。翁荔梳理相关研究发现优化对象正从上下文、工作流深入到Harness本身递进链条是prompt→structured context→workflow→harness code→optimizer code。优化的不同层次第一层是Context Engineering翁荔提到ACE和MCE两个代表性工作。ACE把上下文当成会持续更新的 操作手册靠三个角色配合MCE更进一步把管理上下文和具体内容拆成两层优化。第二层是Workflow Design翁荔举例AI Scientist、ADAS、AFlow说明优化对象从单个prompt到整个Agent如何组织行动的递进。第三层是Self-Improving Harness模型开始分析Harness的不足并提出修改。翁荔重点提到Self-Harness工作其循环包括Weakness Mining、Harness Proposal、Proposal Validation。此外翁荔还提到Evolutionary Search把Harness变成可搜索对象她特别提到DGM实验显示其进化出来的agent效果惊人。Harness的发展与瓶颈翁荔认为Harness和模型训练互相强化长期看Harness的很多改进可能被 内化进模型本身。但实现RSI存在瓶颈如评估器太弱太模糊、上下文和记忆的生命周期问题、负面结果容易被忽视、多样性坍缩、Reward hacking、长期健康和短期成功之间的矛盾等。翁荔认为人类不会被踢出循环而是要在合适的时机和抽象层级上提供监督。现在Harness已成为行业不可忽略的变量同一个模型在不同Harness里可能表现出不同能力AI自进化更现实的工程入口是什么将是下一阶段讨论的重点。