正在补充深度解读，当前内容可以先阅读
论文解决了什么问题
当前 AI agent 的运行时 harness（提示词、工具、记忆、控制流）大多依赖手工搭建，结构耦合且静态不变：换模型、换工具或换任务都需要重新定制，执行过程中产生的丰富轨迹也很少被系统性地用于改进。更关键的是，harness 工程与模型训练通常彼此独立，导致 agent 的进步几乎只能依赖模型本身的扩展。
核心方法
HarnessX 把 harness 抽象为可独立替换的头等对象，由类型化的 processor 挂载到生命周期 hook 上，覆盖九个行为维度，实现安全组合与替换。AEGIS 引擎将 harness 演化建模为符号空间的马尔可夫决策过程，通过四阶段流水线和确定性门控来压缩轨迹、规划修改、生成候选并评估变更，同时用变体隔离防止跨任务干扰。最后，系统通过共享回放缓冲和 Cross-Harness GRPO 把演化过程中产生的轨迹转化为模型训练信号，形成 harness 与模型的闭环协同演化。
实验结论
- 在五个基准、三类模型家族的 15 个配置上，HarnessX 平均绝对提升 14.5%，单个配置最高提升 44.0%，且基线越弱收益越大。
- 协同演化在纯 harness 演化基础上额外带来 4.7% 的提升；变体隔离策略在异构任务集上消除了演化停滞，使性能在 15 轮中保持稳定。
适合谁阅读
构建和运维多任务 agent 系统的工程师与研究者关注 agent 基础设施、上下文工程与自动化调优的团队探索 agent 与模型协同训练、强化学习后训练的研究者Agent 系统上下文工程
可核验的原论文来源和作者
- 作者
- 作者信息暂未从原始元数据中确认
- 来源
- arXiv
- 论文 ID
- 2606.14249