论文：Self-evolving Agent Harness（arXiv:2610.18813），来自中关村学院，中关村人工智能研究院和中国科学技术大学。
这篇论文没有提出新的自进化算法，本质上是一篇综述加立场论文。作者把"harness 自进化"定义为一个研究方向，给出分类体系和条件性的理论分析，并讨论应用和安全问题。
如图所示：从可复用的指令与流程，到可修订的可执行组件
一、核心思想
- Harness 指包在模型 M 外面的软件层，负责执行循环、工具和技能调度、上下文构建、记忆、上下文压缩、多智能体调度和沙箱权限，论文表 1 列出了这七种运行时功能。
- Harness 自进化 ：模型权重保持不动，用执行反馈迭代修改 H：
- 第 k 轮用当前的 H_{k-1} 跑 b 次 rollout，得到 B_k；
- 再由 H_k = Update(H_{k-1}, B_k) 产生新版本。Update 包含诊断、提议、评估和准入四步。
- 两个必要条件 ：
- 更新必须由系统用自己的执行反馈完成，而且更新机制本身要保留下来；
- 被接受的修改要持久化，后续运行会加载它。
- 评估器 J 不在可编辑范围内，候选方案不能修改最终评分。
二、主要贡献
1. 定义与分类体系（第 2--3 节）
- 按"更新目标"分为两类：
- 解释态更新：prompt、记忆、工作流拓扑；
- 可执行修订 ：分成三种：
- 工具与代码补丁，即组件级修改；
- 仓库与运行时逻辑，即编排循环、hooks 和恢复逻辑；
- "Everything Is a Plugin"，即组件绑定和插件组合。
- 判断属于哪一类，看被修改对象在系统中的角色，而不是它用什么语言写成。这条区分标准比较清晰。
2. 进化算法视角（4.1 节，图 2）
如图所示在"工具"与"技能"优化领域中，进化算法的对应关系。每个分图概括了一种搜索结构、该对应关系的依据与局限，以及代表性的方法。这些类别之间存在重叠：一种方法可能体现出不止一种结构；此外，存在对应关系并不意味着该方法等同于完整的典型演化算法。
- 把现有方法对应到八种进化计算结构：
- (1+1)-ES 和 (1+λ)-ES；
- 基于存档的搜索；
- 重组；
- MAP-Elites；
- 协同进化；
- Pareto 选择；
- Thompson 采样（bandit）。
- 映射到的代表方法包括 DGM、HGM、SICA、GEPA 风格的方法、Self-Harness、HarnessBank 等。
- 每种对应关系都标明了在哪些地方并不严格等价。
3. 条件性理论分析（4.2 节，基于持续 PAC 学习）
- 期望泛化：用替换单个任务时的算法稳定性 β 控制期望泛化误差，见式 (5)。
- 保持与回归：假设每轮相对历史任务的回归不超过预算 ε，用伸缩求和得到累计遗忘上界，见式 (6)。
- 准入规则：每轮在新鲜、独立的验证集 V_k 上算配对差值。用 Hoeffding 不等式加上对 KT 次比较的 union bound 得到上置信界，只有上界小于 0 才接受候选，见式 (8)。如果评估器和真实目标的偏差最多为 η，还要额外加 2η，见式 (9)。
- 论文指出 HarnessBank、Self-Harness 等方法复用验证集，不满足这些独立性假设。这个批评有价值。
4. 应用与社会影响（第 5--6 节）
- 讨论了五个场景：个人工作区、企业自动化、科学发现、机器人与具身交互、公共服务与医疗。
- 核心观点是：持久化的修订会把错误传播出去，而软件回滚无法挽回物理伤害、错过的治疗窗口等不可逆后果。
- 因此主张把急停、力和速度限制、授权检查放在 harness 可编辑范围之外。
三、不足与问题
1. 名不副实：没有方法，也没有自己的实验
- 标题看起来像在提出一种方法，但正文没有算法，也没有作者自己做的对照实验。
- 所有数字都来自引用文献，包括 SpreadsheetBench 结果、EIP 成本数据和 LiveBrowseComp 分数。
2. 引用的经验证据很弱，部分不够严谨
- 表 3 和表 4 来自一篇知乎回答（Pan, 2026），没有经过同行评审。
- 作者自己承认表 3 的首任务数据和累计数据对不上（+6453 和 +4895 tokens），"不能当作同一条成本轨迹"。
- 表 4 的分数"单位未说明"，主角还是匿名的 "XYZ" 模型。
- 表 2 中 GPT-5.4-nano 加 HarnessOpt 超过 GPT-5.5 加 SkillOpt，但作者也承认这"不能说明在相同成本下更优"。
3. 自引比例偏高，部分内容和主题关联弱
- 通讯作者 Yifei Shen 自己的工作在正文中占了很大篇幅：SkillOpt-Lite、DSH Everything，以及图 3 的 2023 年边缘 AI 论文。
- 图 3 的延迟对比只是一个固定部署研究，和 harness 自进化基本无关，放在"未来方向"里显得牵强。
4. 理论结果是标准工具的直接应用，实用性有限
- 用到的稳定性泛化界、伸缩求和、Hoeffding 加 union bound 都是教科书结论，技术上新意不多。
- 关键量没有给出估计方法：
- 稳定性系数 β 要把整个更新过程（反馈、存档、选择）重跑一遍才能定义，实际中几乎无法估计；
- 回归预算 ε 是直接假设的，论文自己也说"不是稳定性的推论"。
- 准入规则要求的样本量非常大。我按式 (8) 估算：取 KT=100、δ=0.05，要确认 2 个百分点的提升，需要 m ≥ 2·ln(2000)/0.02² ≈ 3.8 万个新鲜独立任务。而且每一轮都要新的一批。
- 配对差值按 -1,1 的范围直接套用 Hoeffding，没有用 Bernstein 这类利用方差的界，结果偏保守。
- 独立同分布任务、新鲜验证集这些假设，在真实的持续部署中很难满足。偏差 η 怎么校准也被留作开放问题。
5. 分类边界模糊
- 作者承认一个方法可以同时属于多个类别，插件组合也可能横跨组件和仓库两个层级。
- 所以这套分类更像是描述性的框架，对方法设计的指导作用有限。
6. 应用与安全部分以建议为主
- 第 5--6 节主要是原则性建议，比如最小权限、外置安全限制、记录版本和准入历史，没有实证支撑或具体机制设计。
- 正文篇幅短，评估方法、benchmark 等关键内容都放进了 66 页的配套报告，正文本身不够自足。
四、评价
论文的价值在于概念框架：区分了 harness 自进化的修改目标、搜索方式和准入机制，并且明确指出"在经验上被选中"不等于"能泛化、能保持"。这对整理当前大量 harness 和 skill 自进化工作有参考意义。但它的理论只是条件性的标准结论，经验证据依赖二手甚至非正式来源，也没有提出可以直接使用的算法。