2026年10月13日，来自中关村科学院、中国科学技术大学等机构的研究者在arXiv提交预印本《Self-evolving Agent Harness》，讨论一种不更新基础模型权重、而是持续修改智能体软件执行框架的方法。论文原文
论文所说的“harness”包括提示词、记忆、工作流、工具编排、上下文构造、调度、恢复机制和执行权限等。研究者提出，智能体可以利用执行过程中的反馈，生成并筛选对这些组件的修改；一旦修改通过评估，就在后续运行中保留，从而形成“反馈—修订—验证—持久化”的循环。与传统微调相比，这种方式不需要重新训练或保存新的模型权重，也更容易比较代码和配置层面的变化，但它并不等于模型本身获得了新的参数能力。
该预印本还尝试把这类方法划分为两类：一类修改可解释状态，例如指令、经验记忆和任务协调；另一类修改可执行部分，例如工具实现、运行时控制逻辑和插件组合。论文将候选框架的搜索与进化优化联系起来，并在明确假设下讨论泛化、历史回归控制以及使用独立验证数据进行高概率准入。这里的理论结论依赖于假设条件，不能直接视为真实生产环境中的性能保证。
这项工作的实际意义在于，智能体的改进对象可能从“换一个更强模型”扩展到“改造模型周围的系统”。对于需要长期运行的编码、办公自动化和科研代理，持久化记忆、工具调用和错误恢复或许比一次性提示词更容易积累经验。不过，执行框架一旦能够修改工具、权限或调度逻辑，风险也会随之扩大：局部改动可能影响共享状态，评估器变化可能使旧结论失效，自动生成的代码还可能引入新的安全边界问题。因此，论文强调持续验证、独立安全控制、运行时权限约束和对高影响行动设置额外审批。
目前这是一篇尚未经过同行评审的预印本，页面展示的是研究者提出的定义、理论分析、案例讨论和系统设计框架，不能据此断言该方法已经在广泛真实任务中取得稳定优势。后续更值得关注的是：作者能否在统一任务、成本和安全条件下报告可重复的实证结果，以及持续演化是否会带来长期性能提升而非只在单一评测中优化。
参考来源：
- Self-evolving Agent Harness 2026-10-13
由 AI 整理，仅供参考；请以原始来源为准。
