上海 AI Lab 提出三阶段自进化闭环，让 Agent 自我迭代系统提示与工具编排，不更换模型也能拿到 33%–60% 的性能提升。
上海 AI Lab 提出三阶段自进化闭环，让 Agent 自我迭代系统提示与工具编排，不更换模型也能拿到 33%–60% 的性能提升。
Codex 新增 OSS 模式，支持 Ollama、LM Studio 等本地模型服务，实现离线运行与成本控制
如果你已经在用 Claude Code、Cursor 或自研 Agent，多半遇到过同一个困境：能力卡住了，下意识反应是"换更大的模型"。但换模型的成本是指数级上升的，而且常常不是模型本身的问题——而是 Agent 外层那套"运行脚手架（Harness）"还没打磨好。
上海人工智能实验室（Shanghai AI Lab）在 2026 年发表的论文 Self-Harness: Harnesses That Improve Themselves（arXiv: 2606.09498）给出了另一条路：不换模型、不改参数，让 Agent 自己去迭代它的 Harness。在三个不同家族的模型上拿到了 33%–60% 的相对性能提升，部分场景峰值达 104%。
这篇教程拆解 Self-Harness 的三阶段自进化闭环，并给出一个可直接套用的可复用模板。
简单说，Harness 就是你包裹在 LLM 外面的那一层"可编程脚手架"：系统提示、工具编排、记忆机制、验证回路、错误恢复策略。同一个模型，配不同的 Harness，能力差距可以非常大。
过去一年，业界的优化重心正在从"模型层"悄悄转向"Harness 层"。原因很现实：
Self-Harness 的工作把这件事推到了极致：让 Agent 自己去诊断 Harness 的弱点并改进它。
Self-Harness 的核心是一个由模型自身驱动的迭代闭环，三个阶段循环执行。
让模型在任务执行过程中分析当前 Harness 的不足：哪些任务失败了？失败在哪一步？是工具调用格式不对、还是系统提示里的角色定义模糊、还是验证回路没接住？
输出是一份结构化的"弱点清单"——可定位、可修复的具体问题，而不是模糊的"表现不好"。
💡 提示：弱点挖掘的关键是把失败案例结构化。建议把每次任务的 trace（工具调用序列、模型输出、最终结果）都留存下来，作为分析原料。
针对每个弱点，模型生成一个具体的"改进提案"：可能是修改系统提示里的一段描述、新增一个工具、调整工具调用顺序、或者加入一个新的验证步骤。
提案必须可执行、可验证——也就是说，必须能在下一步跑回归测试。
把提案并入 Harness，重新跑一遍基准任务集（benchmark / held-out tasks）。只有当通过率不下降、最好提升时，这个提案才会被正式并入主 Harness；否则回滚。
💡 提示：回归验证是整个闭环的"安全锁"。没有这一步，"自进化"很容易退化成"瞎改"。务必准备一份稳定的 held-out 测试集。
闭环跑起来后，Harness 会越来越强壮。论文给出的实测数据很有说服力：
| 模型 | held-out pass rate |
|---|---|
| 模型 A | 40.5% → 61.9% |
| 模型 B | 23.8% → 38.1% |
三个不同家族的模型都拿到了 33%–60% 的相对提升，部分场景峰值达 104%。
一个直观的对比：换一个更大的模型，可能要花数千美元/月的订阅费或更高的 API 成本；而跑一轮 Self-Harness 闭环，论文中给出的量级大约是 $50–100。
换来的提升往往是同量级、甚至更高的。对预算敏感的团队，这是更划算的优化路径。
下面是把 Self-Harness 思路落到自研 Agent 上的一个最小骨架（伪代码，具体实现取决于你的 Agent 框架）：
# 1. 弱点挖掘
weaknesses = analyze_failures(task_traces, current_harness)
# 输出：[{issue: "...", location: "...", evidence: [...]}, ...]
# 2. 改进提案
proposals = []
for w in weaknesses:
proposal = harness_llm.propose_fix(w, current_harness)
proposals.append(proposal)
# 输出：[{change: "修改 system prompt 中关于 X 的描述", patch: ...}, ...]
# 3. 回归验证
for p in proposals:
candidate = apply(current_harness, p)
score = run_benchmark(candidate, held_out_tasks)
if score >= baseline_score:
current_harness = candidate
baseline_score = score
# 否则回滚，跳过该提案落地时几个关键点：
Self-Harness 给开发者的启示很简单：升级模型之前，先审视并迭代你的 Agent 运行框架。系统提示、工具编排、验证回路——这些可编程的结构化组件，往往是当前 ROI 最高的优化点。
论文原文（含完整实验与消融分析）见：
诚实声明：Self-Harness 目前以学术论文形式公开，文中所引性能数字（33%–60% 相对提升、峰值 104%、$50–100 量级成本）均来自 arXiv 论文。若无公开官方代码仓库，请勿相信任何"官方 repo"链接，以 arXiv 论文为准。