Harness²：面向开放世界的递归式智能体运行框架自改进

Harness^2: Recursive Agent Harnessing for an Open World

作者（9 位）

Ruiyao Xu, Yanfei Chen, Zhongying CuiZhu, Bhavana Dalvi Mishra, Yifei Ming, Han Yu, Rujun Han, Chen-Yu Lee, Tomas Pfister

2026-10-09

Harness2 通过任务级与框架级两层递归，在无标准答案的开放世界任务流中迭代改进智能体的执行框架，并在三个专业基准上稳定超过基线。

背景

大语言模型智能体的效果不仅取决于底层模型，也取决于其运行框架（harness），即提示、记忆、技能、工具与编排方式。论文指出，即使模型很强，换用不同框架后表现也可能差异显著；随着智能体从编程扩展到办公流程与法律等高风险领域，手工设计与打磨框架需要反复工程投入，这促使研究者转向对框架设计的递归自我改进。

早期框架 RSI 方法多针对固定训练任务、单元测试或验证反馈离线优化组件，部署前选出最佳配置；但静态框架往往难以泛化到开放世界中多样且不可预测的环境。

已有开放世界方法或对当前任务递归改进框架，或把成功框架沿任务批次传递，但仍面临两个关联挑战：其一，开放世界任务通常缺少标准答案或可靠验证器，用不完美执行证据安全指导框架修改依然困难；其二，为一个任务改进框架并不会自动改善下一个任务的改进过程，任务特定编辑在需求变化时常常失效。作者由此提出核心问题：如何让改进过程本身也成为学习来源，从而递归升级自身的改进机制。

创新点

提出递归式智能体框架自改进（recursive agent harnessing）：不仅改进当前执行框架，还从改进过程中学习以指导未来框架改进，区分“被执行改进的执行框架”与“负责改进的改进框架”。
提出无需标准答案反馈的任务级递归：引入对比式 Propose–Probe–Compose 步骤，先提出不变式与领域特定两类候选框架，在匹配条件下探测其行为差异，再有选择地组合，并支持并行递归与顺序递归两种扩展形式。
在 WorkBuddy-Bench、JobBench 与 LAB 三个专业基准、四种“模型–框架”配置上验证：单步改进即可稳定提升 GLM-5 与 Gemini 3.5 Flash，最高分别取得 11.5 分、4.5 分与 11.8 个百分点的提升，且随任务级递归预算增加进一步提升。

方法

问题设定：模型参数冻结，框架 $ℋ = (c^{1}, \dots, c^{K})$ 由 K 个可编辑组件构成，与模型组合成智能体 $𝒜 (\cdot; ℳ, ℋ)$ 而不改变权重。执行框架沿用 AHE 的文件级分解并扩展为 K=8 个组件：系统提示、护栏、记忆、技能、工具指引、脚本、子智能体与中间件插件；任务以无标注流 $q_{1}, \dots, q_{N}$ 形式到达，每个任务都从公共框架 $ℋ_{0}$ 出发。
对比式改进步骤：令 $e = (τ, y)$ 为执行记录，步骤算子返回 $(ℋ^{'}, e^{'}, ξ) = Φ (q_{t}, ℋ, ℰ; ℛ_{t})$ 。Propose 阶段先取得参考执行 $e^{0} ~ 𝒜 (q_{t}; ℳ, ℋ)$ ，再提出不变式候选（针对规划、工具使用、上下文管理、委派等跨域缺陷）与领域特定候选；候选是可执行框架，通过编辑组件文件得到。
Probe 与 Compose：每个候选在与参考执行匹配的模型与环境配置下运行，将轨迹与交付物同参考对比得到“行为对比”，用以判断编辑是否缓解目标缺陷、无变化或引入回退；Compose 读取参考、候选、差异与全部任务内证据，选择性地合并受支持改动、修订冲突、采纳某一候选或保留原框架，并执行合成框架得到 $e^{'}$ ，决策与证据记录于 $ξ$ 。
并行递归：收集当前框架的 k 次参考执行，独立提出并探测 k 个不变式候选与 k 个领域特定候选，组成候选池 $𝒫$ ；k 个独立合成会话各自获得完整候选池， $ℋ_{j}^{'} = \textsc {C o m p o s e}_{j} (q_{t}, ℋ, ℬ, 𝒫; ℛ_{t})$ ，实现一次种群更新，k 控制宽度而非深度。
顺序递归：从 $ℋ^{(0)} = ℋ_{0}$ 出发链接 k 个对比步骤， $(ℋ^{(r)}, e^{(r)}, ξ^{(r)}) = Φ (q_{t}, ℋ^{(r - 1)}, ℰ^{(r - 1)}; ℛ_{t})$ ，后续步骤可依据当前与既往证据保留、修订或纠正先前改动；k>1 时由智能体选择器在匿名交付物间比较并返回其一，不进行框架修订。
框架级递归：任务结束后回顾完整改进记录 $𝒟_{t}$ ，反思哪些改动解决了何种缺陷、在何条件下、产生何后果，仅有执行对比支持的教训才被保留；随后以 $ℛ_{t + 1} = \textsc U p d a t e (ℛ_{t}, ℋ_{t}^{⋆}, 𝒟_{t})$ 更新改进框架的库，每条目包含可执行框架与 EXPERIENCE.md，记录适用情形、教训与支持证据，并有索引供后续会话按需查阅。
后续复用：下一任务仍从公共执行框架 $ℋ_{0}$ 开始，但细化由更新后的 $ℛ_{t + 1}$ 引导；先前组件通过 Propose 被选择性复用或改编而非自动继承，累积经验同时影响 Probe 与 Compose；模型权重、阶段指令与决策规则保持不变，演化的只是库。

实验

实验设置：在 WorkBuddy-Bench（Code/Web/Office 三个办公类交付域）、JobBench（65 个专业任务，使用 34 个测试任务）与 LAB（Harvey 法律智能体基准，100 个留出测试任务，报告按标准通过率 Partial）上评估；执行器为冻结的 Gemini 3.5 Flash 与 GLM-5，分别运行于 OpenCode 与 Codex 框架；默认框架编辑器为 OpenCode 下的 Claude Opus 4.8，主表报告单步（k=1），+ Recursion 为 k=5 并行任务级递归，结果均为三次乱序任务流运行
主结果：单步改进在所有配置下均提升两个模型；WorkBuddy-Bench 上 GLM-5 在 OpenCode 下平均分提升 11.5 分（最大单步增益），JobBench 与 LAB 的提升分别达 4.5 分与 11.8 个百分点 Partial。Harness2 在四种配置下均超过对比方法在 WorkBuddy-Bench Avg. 与 JobBench Score 上的表现；LAB Partial 上 Codex 下的 Gemini 3.5 Flash 仍由 Meta-Harness 领先。较弱执行器在 WorkBuddy-Bench 与 LAB
任务级递归与预算：k=5 并行递归在单步基础上再增 2.9–3.9 分（WorkBuddy-Bench）、3.0–4.2 分（JobBench）与 2.6–6.7 个百分点（LAB Partial）。k 从 1 增至 5 时，并行递归在 WB-code 从 76.5 升至 80.8、在 WB-office 从 79.5 升至 83.4，两种递归形式在 k=2 时已超过图上所有基线在 k=5 的表现；k=5 时并行略优于顺序。
计算–性能权衡：计入最终交付前的全部 token 开销，两种 Harness2 配置均位于经验帕累托前沿；OpenCode 下 Gemini 3.5 Flash 将 k 从 1 增至 5，JobBench 增益从 4.5 升至 7.5 分、WorkBuddy-Bench 从 5.1 升至 8.4；Meta-Harness 在 k=5 时算力更高而性能更低。
消融：在 WorkBuddy-Bench 与 JobBench（Gemini 3.5 Flash、OpenCode、k=1）上去除库、范围化编辑角色或组合步骤，分别使分数下降 3.1/1.8、2.9/3.7 与 1.6/1.9；组件级消融显示去除技能在 Code 与 Web 上损失最大（3.6 与 6.9 分），去除脚本在 Office 上损失最大（7.4 分），三域平均技能、脚本、提示组分别损失 5.3、3.7、1.5 分，且每个消融版本仍高于基线。
框架级递归与迁移：不使用参考执行、候选探测与改进库而直接细化基础执行框架会使 Code 从 73.4 降至 63.2、Web 从 69.9 降至 65.0；k=1 累积的库可恢复基线，k=5 的库则带来 0.9、4.4、5.1 分的提升。由 JobBench 迁移的库在 WorkBuddy-Bench 单步细化上分别提升 0.6、0.5、2.9 分；排除任务自身条目的留一重跑提升 1.9 分（WorkBuddy-Bench）与 1.7 分（JobBench），作者说明这是离线复用分析而非在线增益估计。
同模型作执行器与编辑器：在 OpenCode、k=2 下让同一模型兼任两职，五个模型（GLM-5 至 Claude Opus 5）在每个基准上均有提升，Opus 5 在三个基准上分别增益 3.3、5.5、3.0 分，GLM-5 在 LAB 上增益 13.7 分，说明框架细化不依赖更强的编辑器。
其他补充分析：跨模型迁移显示为 Gemini 3.5 Flash 细化的框架不改动地用于 GLM-5 时 Code 提升 17.3 分（58.5→75.8），Gemini 3.7 Flash 与 Opus 4.8 亦有提升但幅度差异较大；工具使用可靠性方面单步改进使三个基准的工具错误率分别降至 0.5%、9.1% 与 1.6%，调用次数在 WorkBuddy-Bench 减少、在 JobBench 与 LAB 增加；与生产框架相比，从 OpenCode 出发的 Harness2 在三个域上分别超过最强固定框架 4.6、5.8、4.9 分。

局限

递归细化的成本：Harness2 需要额外的执行与编辑会话来完成提出、探测与组合，增大递归预算会增加推理成本；并行会话在资源允许时可降低延迟，但无法消除这部分额外计算，实验只在有界预算范围内刻画权衡，未确立普适最优分配。
基于执行的反馈：在无标准答案监督下，细化依赖行为对比与模型判断，这些信号对执行随机性和共享模型偏差敏感，不能保证正确性，也不能确立被采纳的改动会迁移到其他任务。
失败分析显示选择环节可能偏爱较弱候选（如 WB-code 上以 55 分输出取代 95 分输出），错误前提会在候选间传播，且结果波动与缺失评判使部分回退难以归因，提示需要更平衡覆盖与精度的选择以及能挑战共享假设的探测。（解读者观点）
改进库当前只是简单索引式库，随规模增长需要合并重叠组件、修订过时经验并按任务与证据调整检索；递归形式与预算也仍由人工预先指定，尚未依据任务难度自适应分配。（解读者观点）

AI 依据论文正文生成，经人工审核；数字与结论以原文为准。