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，近日在個人部落格中發表一篇關於AI自我進化的新文章，提出一條更務實的工程路線：與其從模型直接修改自身權重開始，不如先從Harness著手。這篇題為《Harness Engineering for Self-Improvement》的文章，迅速引起業界關注。DeepSeek研究員崔添翼也在第一時間轉發，並強調這個方向「非常容易出成果」。 翁荔在文中指出，遞歸自我改進（Recursive Self-Improvement, RSI）過去常帶有濃厚的通用人工智慧（AGI）色彩，指的是一個智慧系統能改進自身智能的生成機制，從而創造出更強的後代系統。然而，她認為這個問題應被拆解得更加工程化。在當今的AI系統中，自我改進未必僅意味著模型直接調整自己的權重，更可能指的是模型改進訓練流程、研究流程與部署系統，進而幫助下一代系統在真實任務中表現得更好。而Harness，正是部署系統中最關鍵的一層。 所謂Harness，可以簡單理解為模型外部的運行系統。它決定了模型如何調用工具、管理上下文、讀寫檔案、拆分任務、調用子Agent、驗證結果，以及從失敗中進行覆盤。翁荔認為，這個結構已遠超過早期的Agent框架，更像是完整的運行時與軟體系統設計。因此，近期更可行的自進化路徑，可能並非模型直接重寫自己的「大腦」，而是模型開始優化自己獲取答案的方式。 翁荔進一步梳理了近期相關研究，歸納出一條清晰的遞進鏈條：從prompt開始，依序進展到structured context、workflow、harness code，最後是optimizer code。隨著模型能力增強，能被優化的對象也變得更加抽象且通用。第一層是Context Engineering，處理模型在長時間任務中上下文失控的問題。她舉例ACE（Agentic Context Engineering）與MCE（Meta Context Engineering）兩項代表性工作，前者將上下文視為一本持續更新的操作手冊，後者則進一步將「如何管理上下文」與「上下文中的具體內容」拆成兩層優化，朝自我管理的記憶邁進。 第二層是Workflow Design，解決的是模型該如何組織行動。翁荔提到AI Scientist、ADAS與AFlow等案例，從一開始由人類將任務流程工程化，到後來模型參與設計流程，再到流程結構本身成為搜索空間，逐步提升優化層級。第三層則是Self-Improving Harness，模型不再只是使用Harness完成任務，而是開始分析Harness的不足，並提出修改方案。 翁荔詳細說明了Self-Harness的運作流程。首先是Weakness Mining，系統收集Agent執行任務時的軌跡，包括工具調用、錯誤日誌、失敗結果與驗證器反饋，從中挖出反覆出現的失敗模式。接著是Harness Proposal，模型基於這些失敗模式，提出對Harness的小範圍修改，重點在於「小範圍」與「可驗證」。最後是Proposal Validation，候選修改必須經過測試確認能提升表現且未引入新問題，才能成為下一版Harness的一部分。翁荔指出，這套流程在MiniMax M2.5、Qwen3.5、GLM-5等不同模型上執行Terminal-Bench-2時，確實學出了針對不同模型弱點的各異Harness配置。 此外，翁荔還探討了Evolutionary Search，將Harness直接視為一個可搜索的物件。她特別提到DGM（Darwin Gödel Machine），實驗中讓Claude 3.5 Sonnet作為基座模型，從簡單的初始設定出發，進化出的agent在SWE-bench Verified上表現從20%提升至50%，在Polyglot上則從14.2%提升至30.7%，達到甚至超過了人工設計的agent。這顯示即使不動模型權重，Harness本身也能成為能力提升的搜索空間。 儘管如此，翁荔並不認為Harness可以完全取代模型訓練。她判斷二者將互相強化：成熟的Harness能讓自我改進的研究循環順利運行，而更聰明的模型則能防止Harness被過度設計，維持系統的可持續性。長期來看，Harness的許多改進最終可能被「內化」進模型的行為中，正如提示詞工程的手動技巧隨著模型理解與推理能力增強而日漸式微。然而，「說清楚目標、約束、上下文與評估標準」這項基本任務，從未真正消失。 翁荔並未迴避RSI這條路目前存在的瓶頸。她指出評估器仍太弱且太模糊，當前能成功運行自我改進循環的任務，多半是寫程式、解數學題這類有明確客觀反饋的項目；至於研究品味、創新性、長期科研價值等幾乎無法量化。此外，負面結果容易被忽視、多樣性坍縮、Reward hacking、長期健康與短期成功之間的矛盾，以及人類角色如何從循環內轉移至循環外提供監督，都是需要克服的挑戰。 最後，翁荔提到，過去大模型競爭主要看參數、數據、算力與推理能力，但現在另一個變量已越來越難被忽略：Harness。同一個模型放進不同Harness中，可能表現出完全不同的能力，這已從少數人的觀察逐漸成為行業共識。隨著翁荔這篇部落格的發布，「AI自進化更現實的工程入口是什麼」也將成為下一階段討論的重點。