摘要：本文基于 Lilian Weng（OpenAI 研究负责人）2026 年 7 月博客文章《Harness Engineering for Self-Improvement》深度解读扩展而成。文章系统梳理了 Harness（驾驭系统）的核心概念、三大设计模式、从手写规则到自动进化的优化路径，以及自我改进、进化搜索、联合优化等前沿方法，并总结了六大未来挑战与实践启示，帮助开发者和研究者理解 AI 自我进化的关键桥梁。一、为什么"驾驭系统"比你想的更重要？你可能听过这样的说法："大模型越来越聪明了，什么都能做。"但现实是——再聪明的模型，如果没有好的"配套系统"，也只是一个超级大脑泡在福尔马林里。想想日常使用 AI 的场景：Claude Code 能帮你写代码、调试、提交 PR——它不仅仅是"对话"，而是调用工具、读取文件、执行命令、管理上下文。Codex 能自动完成 SWE-bench 上的编程任务——靠的也不只是模型智力，而是一套精心设计的工作循环。自动科研系统 AI Scientist 能从提出想法到写论文全流程自动化——依赖的是多阶段工作流编排。这些成功案例背后都有一个共同点：一个精心设计的 Harness（驾驭系统）。什么是 Harness？Harness 是围绕基础模型的系统层，它负责：职责说明编排执行决定模型如何思考、规划、调用工具、执行动作上下文管理感知、存储、检索、压缩上下文信息持久状态管理文件、日志、记忆等持久化产物结果评估检验模型输出是否正确，决定是否重试权限控制决定模型能做什么、不能做什么工作流设计定义循环、子任务分配、并行调度等用一句话概括：模型负责"想"，Harness 负责"做"。递归自我改进（RSI）的近期路径递归自我改进（Recursive Self-Improvement）的概念可以追溯到 I. J. Good（1965）的"超智能机器"设想：一个比人类更聪明的机器，能设计更好的机器来改进自身。但 Lilian Weng 指出，短期内 RSI 不太可能从"模型直接修改自身权重"开始。更现实的路径是：模型改进 Harness → 更好的 Harness 帮助训练更好的模型 → 更强的模型再改进 Harness → ...这就是为什么Harness Engineering 是通向 RSI 的关键桥梁。二、Harness 的三大核心设计模式模式一：工作流自动化（Workflow Automation）核心理念：定义一个目标导向的循环，让模型在其中自动运转。一个典型的工作流循环如下：计划 → 执行 → 观察/测试 → 改进 → 再执行 → ...（直到目标达成）典型案例：Karpathy 的 autoresearchAndrej Karpathy 开源的 autoresearch 展示了极简但有效的工作流设计：模型在给定研究领域内自动搜索文献提出研究假设编写实验代码运行实验并分析结果生成研究报告整个过程中，模型可以主动向用户请求澄清——当任务定义模糊或执行偏好不明确时。编码 Agent 的标准循环主流编码 Agent（Claude Code、Codex、OpenCode、Cursor）的核心接口已经趋于稳定：用户输入 → 模型推理 → 调用工具 → 工具返回结果 → 模型再推理 → ...工具集通常包括：类别工具示例文件系统glob, grep, ls, read, write, edit, apply_patchShell 执行bash, PowerShell代码智能LSP, git_status, git_diff, git_commit外部上下文MCP 工具, SkillsWeb 搜索web_search, web_fetch, browser后台进程CronCreate, CronDeleteAgent 委派spawn_agent, resume_agent, wait_agent设计哲学：工作流应该刻意保持简单和通用，借鉴成熟的软件工程实践，让模型能利用预训练知识快速上手。Harness 与操作系统有强烈的类比关系——像 OS 一样封装复杂逻辑，保持接口简洁。模式二：文件系统即持久记忆（File System as Persistent Memory）核心理念
摘要：本文基于 Lilian Weng（OpenAI 研究负责人）2026 年 7 月博客文章《Harness Engineering for Self-Improvement》深度解读扩展而成。文章系统梳理了 Harness（驾驭系统）的核心概念、三大设计模式、从手写规则到自动进化的优化路径，以及自我改进、进化搜索、联合优化等前沿方法，并总结了六大未来挑战与实践启示，帮助开发者和研究者理解 AI 自我进化的关键桥梁。一、为什么"驾驭系统"比你想的更重要？你可能听过这样的说法："大模型越来越聪明了，什么都能做。"但现实是——再聪明的模型，如果没有好的"配套系统"，也只是一个超级大脑泡在福尔马林里。想想日常使用 AI 的场景：Claude Code 能帮你写代码、调试、提交 PR——它不仅仅是"对话"，而是调用工具、读取文件、执行命令、管理上下文。Codex 能自动完成 SWE-bench 上的编程任务——靠的也不只是模型智力，而是一套精心设计的工作循环。自动科研系统 AI Scientist 能从提出想法到写论文全流程自动化——依赖的是多阶段工作流编排。这些成功案例背后都有一个共同点：一个精心设计的 Harness（驾驭系统）。什么是 Harness？Harness 是围绕基础模型的系统层，它负责：职责说明编排执行决定模型如何思考、规划、调用工具、执行动作上下文管理感知、存储、检索、压缩上下文信息持久状态管理文件、日志、记忆等持久化产物结果评估检验模型输出是否正确，决定是否重试权限控制决定模型能做什么、不能做什么工作流设计定义循环、子任务分配、并行调度等用一句话概括：模型负责"想"，Harness 负责"做"。递归自我改进（RSI）的近期路径递归自我改进（Recursive Self-Improvement）的概念可以追溯到 I. J. Good（1965）的"超智能机器"设想：一个比人类更聪明的机器，能设计更好的机器来改进自身。但 Lilian Weng 指出，短期内 RSI 不太可能从"模型直接修改自身权重"开始。更现实的路径是：模型改进 Harness → 更好的 Harness 帮助训练更好的模型 → 更强的模型再改进 Harness → ...这就是为什么Harness Engineering 是通向 RSI 的关键桥梁。二、Harness 的三大核心设计模式模式一：工作流自动化（Workflow Automation）核心理念：定义一个目标导向的循环，让模型在其中自动运转。一个典型的工作流循环如下：计划 → 执行 → 观察/测试 → 改进 → 再执行 → ...（直到目标达成）典型案例：Karpathy 的 autoresearchAndrej Karpathy 开源的 autoresearch 展示了极简但有效的工作流设计：模型在给定研究领域内自动搜索文献提出研究假设编写实验代码运行实验并分析结果生成研究报告整个过程中，模型可以主动向用户请求澄清——当任务定义模糊或执行偏好不明确时。编码 Agent 的标准循环主流编码 Agent（Claude Code、Codex、OpenCode、Cursor）的核心接口已经趋于稳定：用户输入 → 模型推理 → 调用工具 → 工具返回结果 → 模型再推理 → ...工具集通常包括：类别工具示例文件系统glob, grep, ls, read, write, edit, apply_patchShell 执行bash, PowerShell代码智能LSP, git_status, git_diff, git_commit外部上下文MCP 工具, SkillsWeb 搜索web_search, web_fetch, browser后台进程CronCreate, CronDeleteAgent 委派spawn_agent, resume_agent, wait_agent设计哲学：工作流应该刻意保持简单和通用，借鉴成熟的软件工程实践，让模型能利用预训练知识快速上手。Harness 与操作系统有强烈的类比关系——像 OS 一样封装复杂逻辑，保持接口简洁。模式二：文件系统即持久记忆（File System as Persistent Memory）核心理念
)
