告别手搓Agent！HarnessX实现大模型与运行时外挂协同进化，性能最高飙升44%
HarnessX: A Composable, Adaptive, and Evolvable Agent Harness Foundry
目前开发AI Agent，最痛苦的环节莫过于“手搓”外挂代码。 换个新模型，提示词模板可能得全部重写。 加个新工具，原本顺畅的控制流直接崩溃。 大量在运行中产生的报错记录和轨迹，最后只能被当成垃圾数据扔掉。 究竟有没有一种方法，能让Agent的运行框架自己学习、自己修改代码？
ArXiv URL：http://arxiv.org/abs/2606.14249v1
本文将深度解读一项能彻底改变这一现状的重磅研究。 这套名为HarnessX的新系统，让Agent运行时框架具备了“自我进化”的能力。 在五大主流基准测试中，它实现了平均提升14.5%，最高暴涨44.0%的惊人成绩。
如果把基础大模型比作赛车的“发动机”。 那么提示词、工具调用、记忆管理等运行时框架，就是“底盘与传动系统”。 过去，开发者只能依靠人工经验，为每款发动机死板地定制底盘。 而HarnessX不仅实现了底盘组件的完全模块化，还能根据试车数据自动改装。 更硬核的是，它甚至能让发动机和底盘在赛道上进行“同步调优”。
框架组合：打造可灵活拼装的标准化底盘
要让系统能够自动修改自身代码，首先得让代码具备绝对的“可插拔”特性。 该研究提出了一种基于类型替换代数的基础架构。 通过这种设计，整个运行时框架不再是一团相互耦合的“面条代码”。
![[Uncaptioned image]](/images/2606.14249v1/x1.jpg)
研究团队将Agent的行为空间，极其严谨地划分为了九个独立维度。 这包括了模型选择、上下文组装、记忆管理、工具生态等。 所有的行为都被封装成了独立的处理单元（Processor）。 只要输入输出的类型契合，任何组件都能被安全地插入、替换或拔除。 这种类型的安全性保证，是后续实现自动化代码改造的基石。
框架自适应：AEGIS进站维修团队
底盘组件实现标准化之后，系统究竟是如何依靠自身自动完成“改装”的？ 答案在于其核心引擎：AEGIS。 它巧妙地将强化学习（RL）的经典概念，映射到了符号化的代码修改空间。
在AEGIS的视野里，当前的框架配置就是“状态”，而代码的修改操作就是“动作”。 但这引出了一个棘手的问题。 经典的RL“病态”现象一旦进入符号空间，破坏力将被急剧放大。 为了应对这些挑战，AEGIS精心设计了四个环环相扣的流水线阶段：
-
消化器（Digester）：负责处理海量日志。 运行一次测试可能会产生上千万个Token的原始轨迹。 它负责将其压缩提炼，精准提取出发生故障的底层组件和证据。
-
规划器（Planner）：负责对抗探索不足（Under-exploration）。 如果系统只知道盯着眼前的错误，很容易陷入“只改提示词”的局部微调陷阱。 规划器会构建全局的调整策略，强制系统尝试引入新工具或重构记忆模块等结构性改变。
-
进化器（Evolver）：负责生成实际的代码候选方案。 它会产出带有明确“变更清单”的代码修改指令。 这就好比技师在更换零件前，必须清晰写下修改动机和预期效果。
-
批评家（Critic）与门控机制：负责对抗灾难性遗忘（Catastrophic forgetting）。 在参数优化中，修复故障A经常会导致正常的流程B崩溃。 AEGIS引入了严格的“跷跷板约束”。 无论批评家的评估如何，系统必须通过确定性的回归测试。 绝对不允许任何新的修改，破坏以前已经能够完美跑通的测试用例。
模型与框架协同进化：发动机与底盘的极致共鸣
当底盘被优化到了极致，受限于小尺寸发动机本身的马力，成绩依然会遇到天花板。 无论外部工具给得多么完善，模型本身的推理能力才是最终的瓶颈。 此时，HarnessX启动了最高阶的玩法：模型与框架的协同进化。
研究团队引入了组相对策略优化（GRPO）算法，并进行了一次极其优美的工程架构设计。 系统的精妙之处在于，为模型和框架构建了一个共享的经验回放缓冲区（Replay Buffer）。 这意味着，同一次测试跑出来的轨迹 $\tau$，既是框架演进的诊断证据，也是模型训练的强化学习信号。
在这个缓冲区中，跨越了不同框架版本的运行轨迹被混合在了一起。 同一个任务在不同底盘版本下的表现，被统一打包成一个组 $\mathcal{G}{x}$。 模型需要计算每一条轨迹的优势函数 $\hat{A}(\tau{i})$。
\[\hat{A}(\tau_{i})=\frac{r_{i}-\mu(\mathcal{G}_{x})}{\sigma(\mathcal{G}_{x})+\epsilon}\]这种跨越框架版本的任务级对齐，产生了一种奇妙的化学反应。 它不要求动作空间严格一致。 即使底盘版本发生了翻天覆地的变化，模型依然能从“不同策略的对比”中吸收经验。 框架负责搭建粗粒度的宏观战略，而模型则负责学习如何在复杂的上下文中精准执行。
实验验证与核心启示
HarnessX在ALFWorld、GAIA、WebShop等五个极具挑战性的基准测试中，证明了其惊人的威力。 通过最高15轮的自主进化，在15个不同的“模型-基准测试”组合中，平均取得了14.5%的绝对提升。
这里面呈现出了一个非常反直觉的“逆缩放”规律。 越是推理能力偏弱的小模型，从框架进化中获得的收益反而越大（例如Qwen3.5-9B在ALFWorld上暴涨了44.0%）。 这强有力地证明了，在当前算力昂贵的背景下，优秀的底盘设计能极大弥补发动机算力的不足。 此外，引入协同进化机制后，系统在仅靠框架进化达到的极限之上，又榨取出了额外4.7%的性能提升。
当然，该方案在实践中也存在一定的门槛。 驱动四个阶段运转的Meta-Agent需要消耗大量的Token，这在早期探索阶段会带来不小的API成本。 同时，要求开发者按照九大维度完全重构现有的业务代码，短期内存在较高的工程阵痛。
但这篇论文带来的核心启示是深远的。 它告诉所有的AI开发者：不要再把Agent的外部框架仅仅当成一次性的“胶水代码”。 将运行时框架提升为一等公民，使其具备可序列化、可替换、可演算的特性。 这是Agent技术从“手工作坊”走向“工业化自动进化”的必经之路。