翁荔新博客提出「自進化先從Harness開始」，DeepSeek崔添翼轉發附議

前 OpenAI 安全副總裁、Thinking Machines Lab 共同創辦人翁荔再度發表新部落格文章，這次將焦點放在 AI 的自我進化路徑。她提出一條具體且相對務實的方向：AI 的自進化不一定得從模型直接改寫自身權重開始，反而可以先從外部運作系統——也就是「Harness」著手。這篇題為《Harness Engineering for Self-Improvement》的文章立刻引發關注，DeepSeek 研究員崔添翼在第一時間轉發，並直言「這個方向很容易出成果」。

翁荔過去在 OpenAI 負責安全相關研究，離開後創立 Thinking Machines Lab，持續深耕 AI 安全與自主進化議題。她在新部落格中討論的核心概念是 RSI（Recursive Self-Improvement，遞歸自我改進），也就是讓 AI 系統能夠在運作過程中不斷自我修正、迭代升級。不同於常見的「直接修改模型權重」思路，翁荔主張自進化的第一步應該發生在 Harness 層，而非模型本身。所謂 Harness，可以簡單理解為模型外部的運行框架或指揮系統。

它決定了模型如何調用工具、如何管理對話上下文、如何讀寫檔案、如何將任務拆解成子任務、如何呼叫子代理（sub-agent）、如何驗證執行結果，以及如何從失敗中進行覆盤。換句話說，Harness 像是模型的操作系統與工作流程引擎，掌控著模型與外界互動的一切規則與邏輯。翁荔認為，只要把這個外層系統設計得具備自我調整能力，AI 就能在不更動模型內部參數的前提下逐步進化。崔添翼在轉發翁荔文章時特別劃出重點，強調 Harness 方向的自進化與模型方向的自進化同樣具有高度潛力，而且極有可能先產出實際成果。

他還進一步指出，目前已經出現一種較為初級的 Harness 自進化形式，那就是從 prompt 層面進行自我改進——他把這個概念稱為「Skill」。換句話說，透過讓模型自行優化提示詞（prompt）的內容與結構，就能達到一定程度的自我提升，而這正是 Harness 工程可以著力的小規模實踐。崔添翼的附議並非偶然。他本人長期關注 AI 系統的進化機制與工程實現，在 DeepSeek 團隊內負責相關研究。他認為 Harness 層的改動相對模型內部訓練來說成本更低、迭代更快，更容易在實際應用中快速驗證效果。這種「從外而內」的自進化路徑，對於資源有限的團隊或需要快速上線的場景尤其有吸引力。

翁荔的部落格篇幅極長，資訊量相當豐富。她詳細說明了 Harness 工程如何在工具調用、任務拆解、結果驗證與錯誤回饋等環節嵌入自我改進迴路。例如，Harness 可以記錄每次模型調用外部工具的成功率，自動調整後續呼叫策略；也可以根據歷史錯誤案例，動態修正任務拆分邏輯，避免重複犯錯。這些機制都不需要改寫模型本身的權重，卻能讓整體系統表現持續進步。遞歸自我改進的概念在 AI 領域並非新鮮事，但過去討論多集中在模型層面的「自我對弈」或「自我訓練」。翁荔這篇文章等於把戰場拉到更貼近工程實務的層次，提供一條相對低門檻的進化路徑。

她認為，只要 Harness 具備足夠的感知與調整能力，就能形成一個「觀察—決策—行動—覆盤」的閉環，讓系統在每一次運作中都比上一次更聰明。值得注意的是，翁荔與崔添翼的觀點並非否定模型層自進化的價值，而是強調在模型能力尚未成熟或成本過高時，Harness 層的自進化可以作為先行步驟，累積經驗與數據，為未來的模型級改進鋪路。這種思路也反映出當前 AI 研究圈逐漸重視系統工程與基礎設施的趨勢，不再只把目光聚焦在模型架構或訓練方法上。崔添翼在轉發時還補充了一句：「Harness 方向的自進化，和模型方向的自進化一樣，都是非常可能出成果的方向。

」這番話等於為翁荔的論點背書，也讓更多研究者開始關注 Harness 工程的潛力。隨著這篇部落格在技術社群內流傳，已有不少開發者開始思考如何在自己的專案中導入類似的自我改進架構，從 prompt 最佳化或工具呼叫策略下手，逐步打造具備基本自進化能力的 AI 系統。整體而言，翁荔的文章將一個抽象的自進化概念具體化為可操作的工程方案，而崔添翼的轉發與註解則進一步凸顯了這個方向的實用性與可行性。對於關心 AI 自主演化與實際落地的讀者來說，這無疑是一篇值得深入研讀的參考資料。