AHE：用可观测性把 harness 进化变成工程
> 量子位技术拆解 · 每次编辑都是一条 file-level 可证伪声明。完整结构化数据见「速查」tab。
先看一个现象：coding agent 的表现不只由基座模型决定，还由它周围的 harness 决定——system prompt、工具、middleware、技能、子 agent、长期记忆。人类手工适配 harness 的速度赶不上基座模型的迭代速度，于是复旦、北大与上海期智团队的论文（arXiv 2604.25850）想自动进化 harness。他们的核心论断很直接：这个问题的瓶颈是可观测性，不是演化 agent 的能力。
核心思想：三大可观测性支柱
AHE 把 harness 进化拆成三个「看得见」的环节。组件可观测性：harness 挂在 NexAU 框架上，暴露 7 类组件文件——system prompt、tool description、tool implementation、middleware、skill、sub-agent config、long-term memory——每个失败模式都能映射到单个组件类，每次编辑是一个 git commit，天然有文件级 diff 与回滚粒度。经验可观测性：每轮 rollout 产生约千万级 token 的原始轨迹，Agent Debugger 把轨迹当成可导航的文件环境逐任务分析根因，产出逐任务报告 + 一份约 10K token 的 benchmark 级 overview，演化 agent 读的是结构化证据而不是原始日志。决策可观测性：每个编辑都带 manifest——目标失败证据、推断根因、预期修复集、预期回归集——下一轮用任务级 delta 与预测集合求交生成 verdict，命中保留、不中回滚。
这三根支柱把「编辑」变成了一条可证伪契约，从而避免自动化退化成无结构试错。种子 harness 被刻意压到最小——只有一个 shell 执行工具、无 middleware、无技能、无子 agent——让每个新增组件都必须靠实测 rollout 挣得位置。
机制：外循环六阶段
每轮迭代是固定六阶段：rollout（每任务 $k \ge 2$ 次）→ 归一化轨迹 → 归因上一轮 manifest 并回滚被否编辑 → Agent Debugger 蒸馏 → Evolve Agent 写组件编辑与 manifest → git commit。约束是硬的：演化 agent 只能写 harness workspace，runs/tracer/verifier/LLM 配置只读，种子 system prompt 不可删除——这挡住了无约束自修改者最想走的三条捷径：关 verifier、换模型、抬推理预算。所有编辑在同一基座 GPT-5.4 high 下完成，Code/Debugger/Evolve 三个角色共用它，隔离掉「换更强模型」的混淆变量。
关键结果：越过人类设计，还能迁移
主结果在 Terminal-Bench 2 的 89 个任务上（4 easy / 55 medium / 30 hard，每任务 1 小时超时）：10 轮进化把 pass@1 从种子 69.7% 推到 77.0%，超过人类设计的 Codex（71.9%）、Terminus-2（62.9%）、OpenCode（47.2%），也超过自进化基线 ACE（68.9%）与 Training-Free GRPO（72.3%）。
更关键的证据是迁移。冻结的 harness 不改一行，直接换场景：SWE-bench-verified（500 任务、7 个仓库）上成功率 75.6%，高于共享种子 75.2% 与 ACE 74.6%、TF-GRPO 74.2%，且每 trial 只花 461K token，比种子省 12%、比 ACE 省 32%。换基座同样有效：deepseek-v4-flash 51.7%→61.8%（+10.1pp）、qwen-3.6-plus 56.2%→62.5%（+6.3pp）、gemini-3.1-flash-lite 36.5%→41.6%（+5.1pp），而 GPT-5.4 族内 medium/xhigh 只有 +2.3pp——离饱和越远的基座越依赖 harness 固化下来的协调模式。
消融把增益定位得很清楚：单独换入长期记忆 75.3%、工具 73.0%、middleware 71.9%，而单独换 system prompt 反而跌到 67.4%（种子 69.7%）——三个正组件的收益和 +11.1pp 高于全 AHE 的 +7.3pp，说明组件非加性交互、叠加有效编辑会封顶总增益。论文自己对机制的解释是：记忆、middleware、prompt 都在往同一个「closure 式验证」方向推，叠在一起互相冗余、浪费 turn。
局限与边界
组件消融还揭示了每个组件的失败面：长期记忆带来 12 条边界案例经验（性能余量、排队超限取消、评估器式闭合、打包布局），在 Hard 档单独使用甚至超过完整 AHE（63.3% vs 53.3%）；工具进化成一份 1364 行的 shell，能自动从命令附近的文件浮现契约提示；middleware 加了一个强制闭合检查的 finish-hook，在 Easy 档全过但在 Hard 档抬高回合数。这些细节解释了为什么「组件非加性」——它们都在推同一个方向的验证行为，叠起来在长时程预算内互相冗余。
局限与边界
论文自承四条限制：benchmark 范围窄（只在 Terminal-Bench 2 驱动进化、SWE-bench-verified 探测迁移）；操作点耦合（step budget 与超时是在 GPT-5.4 high 上拟合的，跨模型数字混淆了可移植性与操作点）；自改进治理不完整（有 workspace 边界与回滚，但没有完整护栏栈）；以及自我归因对回归几乎失明——Figure 4 里 fix precision 33.7%（随机基线 6.5%），但 regression recall 只有 11.1%（随机 5.4%）。我们补两条读出：主结果来自单次 10 轮 campaign，没有多随机种子统计；Hard 档（30 任务）AHE 53.3% 落后 Codex 的 56.7%，进化对最难的子集反而贡献有限。
一句话记住这篇
AHE 把 harness 进化做成「组件文件化 + 轨迹蒸馏 + manifest 契约」的闭环，Terminal-Bench 2 上 pass@1 69.7%→77.0%，冻结 harness 迁移到 SWE-bench-verified 与三个跨族基座仍正收益。最该记住的数字是 regression recall 11.1% 对随机 5.4%——它能修什么说得很准，会弄坏什么一无所知，这正是下一代自进化闭环要补的洞。
AHE 把 harness 进化拆成三大可观测性支柱——组件（7 类组件文件化）、经验（约 10M token 轨迹蒸馏成可下钻证据语料）、决策（每个编辑配自我声明的可证伪预测、下一轮验证后文件级回滚）——10 轮迭代在 Terminal-Bench 2 上把 pass@1 从 69.7% 推到 77.0%，超过 Codex（71.9%）、ACE（68.9%）与 TF-GRPO（72.3%），冻结后的 harness 迁移到 SWE-bench-verified 与三个跨族基座仍为正收益。
问题
要解决什么：coding agent 的 harness（system prompt、工具、middleware、skills、子 agent、长期记忆）现在靠人类手工适配每个新基座模型；作者把『自动进化 harness』的瓶颈定位为可观测性，而非演化 agent 的能力，并据此构建闭环。
为什么 prior work 不够：已有自动方法只优化单一组件（多数只动 prompt，如 ACE/TF-GRPO）；可编辑表面异构、轨迹海量但有效信号稀疏、编辑效果难归因，导致自动化退化成无结构试错。
进化循环（搜索空间 → 算子 → 评估 → 选择）
搜索空间（什么被进化）：NexAU 框架暴露的 7 类 harness 组件文件：system prompt、tool description、tool implementation、middleware、skill、sub-agent config、long-term memory，固定挂载点、松散耦合；演化 agent 只写 harness workspace，runs/tracer/verifier/LLM 配置只读，种子 system prompt 标记不可删除。
变异/提案算子：
- 每轮 6 阶段（Algorithm 1）：rollout（每任务 k≥2 次）→ 归一化轨迹 → 归因上轮 manifest 并回滚被否编辑 → Agent Debugger 把 ~10M token 轨迹蒸馏成逐任务分析报告 + benchmark 级 overview（~10K token）→ Evolve Agent 写组件编辑与 manifest → git commit
- manifest 契约：每个编辑声明目标失败证据、推断根因、预期修复集与预期回归集，下一轮用任务级 delta 与预测集合求交生成 verdict
- one-shot explore agent 在第 1 轮平行注入少量可复用 skills，从第 2 轮起可被保留/改进/删除
评估方式：Terminal-Bench 2 全 89 任务（4 easy / 55 medium / 30 hard），每任务超时 1 小时，指标 pass@1 与 tokens/trial；跨 benchmark 迁移用 SWE-bench-verified 500 任务 7 仓库；三个 role agent 共用 GPT-5.4 high 一个基座，隔离 harness 编辑的贡献。
选择与归档：每个编辑是 file-level 可证伪声明：下一轮 verdict 命中预测修复则保留，否则文件粒度回滚；Hbest 按 pass@1 跟踪；组件非加性交互被显式承认——单组件收益和 +11.1pp 高于全 AHE 的 +7.3pp，说明叠加有效编辑会封顶总增益。
自我改进程度：L1：固定模型 + harness 自进化。演化 agent 只能改 harness workspace，不能改 verifier、换模型或调高推理预算；论文自承不提供完整护栏栈，属受控研究原型。
输入 / 输出
输入
| 名称 | 类型 | 说明 |
|---|
输出
| 名称 | 类型 | 说明 |
|---|
数据集
| 数据 | 规模 | 备注 |
|---|
架构（摘要）
主干与结构
backbone：
参数：
类型：
→ 详见 Architecture tab。
关键结果
| 指标 | 值 | 最强 baseline | setup |
|---|---|---|---|
| Terminal-Bench 2 pass@1（89 任务） | 77.0%（10 轮进化后 best-so-far） | Codex 71.9% / Terminus-2 62.9% / OpenCode 47.2%；自进化基线 ACE 68.9% / TF-GRPO 72.3%；共享种子 NexAU0 69.7% | GPT-5.4 high 同时担任 Code/ Debugger/ Evolve 三角色；每任务超时 1h；约 32 小时跑完 10 轮；k≥2 rollouts/任务 |
| SWE-bench-verified 成功率（冻结 harness 迁移，无再进化） | 75.6% | 共享种子 NexAU0 75.2%、ACE 74.6%、TF-GRPO 74.2% | 500 任务 7 仓库，GPT-5.4；tokens/trial 461k vs 种子 526k（−12%）、vs ACE 679k（−32%） |
| 跨基座迁移 pass@1 增益（Terminal-Bench 2，89 任务） | deepseek-v4-flash +10.1pp（51.7→61.8） | 同一基座上的 NexAU0 种子 | GPT-5.4 high 上进化出的 workspace 直接换基座复评；qwen-3.6-plus +6.3pp、gemini-3.1-flash-lite +5.1pp、GPT-5.4 medium/xhigh 各 +2.3pp |
| 组件消融（单组件换入种子，Terminal-Bench 2 全 89 任务） | +memory only 75.3%（Hard 63.3%）、+tool only 73.0%、+middleware only 71.9%、+system_prompt only 67.4% | NexAU0 种子 69.7%；AHE full 77.0% | 三个正组件收益和 +11.1pp 高于全 AHE +7.3pp，说明组件非加性交互封顶总增益；system prompt 单独插入反而 −2.3pp |
| 自我预测审计（9 轮交叉迭代均值） | fix precision 33.7% / fix recall 51.4%；regression precision 11.8% / regression recall 11.1% | 随机预测基线 6.5% / 10.6% / 5.6% / 5.4% | GPT-5.4 AHE loop，Terminal-Bench 2，每编辑 manifest 的预测与下一轮任务级 delta 求交 |
Insights
- 瓶颈是可观测性而非 agent 能力：把组件、经验、决策三面都变成另一 agent 可读的结构化工件后，演化 agent 能稳定收敛到更好 harness（§1 中心论断）
- 收益藏在工具、middleware 与长期记忆里，系统 prompt 单独插入反而 −2.3pp——事实性 harness 结构跨任务/跨模型迁移，散文级策略不迁移（§4.4.1）
- 组件非加性交互：memory/middleware/prompt 都在往同一个『closure 式验证』方向推，叠加后互相冗余、浪费 turn，全 AHE 的 +7.3pp 小于单组件收益和 +11.1pp（§4.4.1）
- 自我归因对修复可靠、对回归失明：regression recall 11.1% 接近随机 5.4%，所以进化曲线非单调，回归预知是下一代自进化闭环最明确的方向（§4.4.2/§5）
vs 同类工作
- vs ACE / Training-Free GRPO：两者分别只优化自然语言 playbook 与轨迹分布，都不打开 scaffolding 编辑；AHE 联合进化 prompt+tool+middleware+memory 四个层
- vs Self-Harness：Self-Harness 以回归门禁选编辑，AHE 更进一步把每个编辑变成 file-level manifest 契约（预测集 vs 实际 delta），并做跨 benchmark/跨基座迁移验证
- vs Meta-Harness：Meta-Harness 把 harness 作为端到端优化图，AHE 的可观测性三支柱（组件/经验/决策）是显式设计主轴，且实验规模更大（89 任务 10 轮）
局限
- benchmark 范围：只在 Terminal-Bench 2 上驱动进化、SWE-bench-verified 上探测迁移，更广的编程语言、仓库级部署与人在环工作流未测（论文自承）
- 操作点耦合：step budget 与 per-task 超时是在 GPT-5.4 high 上拟合的，跨模型迁移数字混淆了 harness 可移植性与操作点耦合；族内收益非单调（+2.3 / +7.3 / +2.3 pp）（论文自承）
- 自改进治理不完整：编辑有 workspace 边界与 manifest 回滚，但没有完整护栏栈，长期 harness 清理与防滥用未完成，应视为受控研究原型（论文自承）
- 我们读出：主结果来自单次 10 轮 campaign，无多随机种子统计；Hard 档（30 任务）AHE 53.3% 落后 Codex 56.7%；self-attribution 对回归几乎失明（recall 11.1% vs 随机 5.4%），非单调步进说明选择层有真实噪声
可复现性
- code：https://github.com/china-qijizhifeng/agentic-harness-engineering
- weights：GPT-5.4（high/medium/xhigh）、qwen-3.6-plus、gemini-3.1-flash-lite-preview、deepseek-v4-flash
- sim_benchmark：Terminal-Bench 2（89 任务）、SWE-bench-verified（500 任务 / 7 仓库）
AHE 架构：三大可观测性支柱组成的进化闭环
Mermaid 数据流
flowchart TD
H0["种子 harness H0\n（bash-only：单个 shell 工具）"] --> ROLL["Phase 1: rollout\n（每任务 k≥2 次）"]
ROLL --> CLEAN["Phase 2: 轨迹归一化\n（canonical 形式）"]
CLEAN --> ATTR["Phase 3: 归因上轮 manifest\n+ 回滚被否编辑"]
ATTR --> DBG["Phase 4: Agent Debugger\n（~10M token 轨迹 →\n逐任务报告 + overview）"]
DBG --> EVO["Phase 5: Evolve Agent\n（写组件编辑 + manifest 预测）"]
EVO --> COMMIT["Phase 6: git commit\n（文件级 diff + 回滚粒度）"]
COMMIT -->|"下一轮"| ROLL
VER["下一轮任务级 delta"] -->|"与预测集求交\n生成 verdict"| ATTR
WS["harness workspace（7 类组件文件）\n只写；runs/tracer/verifier/LLM 配置只读"] --> EVO
WS --> ROLL组件详解
- 组件可观测性（Component Observability）：NexAU 框架把 harness 暴露为 7 类文件——system prompt、tool description、tool implementation、middleware、skill、sub-agent config、long-term memory——固定挂载点、松散耦合。每个失败模式映射到单个组件类，每个逻辑编辑是一个 commit，得到免费的 file-level diff 与 rollback。种子被压到最小（只有 shell 工具），让每个新组件靠实测挣得位置。
设计要点- **one-shot explore agent**：第 1 轮平行注入少量从公开 coding-agent 参考沉淀的可复用技能，从第 2 轮起与其它组件一样接受保留/改进/删除——种子阶段的先验被刻意最小化，但允许一个初始技能库参与竞争。
设计要点
1. 可观测性优先于能力：作者的核心断言是——一旦演化 agent 拿到结构化上下文与清晰动作空间，就能稳定收敛到更好的 harness；瓶颈在信息形态，不在模型。
2. 契约式迭代：每个编辑都必须在下轮被验证或回滚，进化的每一步都有可审计的因果链。
3. 组件非加性：消融显示单组件收益和（+11.1pp）高于全 AHE（+7.3pp），说明组件交互会封顶增益——作者把「interaction-aware evolution」留给未来。
4. 回归失明是已知缺口：self-attribution 对修复预测远强于随机（recall 51.4% vs 10.6%），对回归预测接近随机（recall 11.1% vs 5.4%），直接指向下一代闭环的改进方向。
AHE 在 Terminal-Bench 2 上越过全部人类设计与自进化 baseline
原文 caption：AHE evolves a bash-only seed past every human-designed and self-evolving baseline on Terminal-Bench 2. All three role agents share one base model, isolating the gain to harness edits rather than analyzer or editor capability.
头条结果：从只带单个 shell 工具的 bash-only 种子（69.7%）出发，10 轮进化把 pass@1 推到 77.0%，同时压过人类设计的 Codex（71.9%）/ Terminus-2（62.9%）/ OpenCode（47.2%）与自进化 baseline ACE（68.9%）/ TF-GRPO（72.3%）。读图看曲线旁标注的四条被采纳编辑（超时、publish-state guard、跨步风险监控、post-success 硬阻断），它们展示了『非 prompt 类』编辑长什么样。
AHE 三大可观测性支柱组成的闭环
原文 caption：The AHE pipeline links three observable surfaces into one closed loop. Components, rollout experience, and edit decisions each surface as structured artifacts another agent reads, and every edit becomes a falsifiable prediction the next round verifies.
架构图：组件可观测性（6+ 类组件文件）、经验可观测性（~10M token 原始轨迹 → Agent Debugger → ~10K token 证据）、决策可观测性（Evolve Agent 改组件并留 manifest）三者串成一个闭环。读图回答『为什么是观测性而非 agent 能力』——每个环节都以另一 agent 可读的结构化工件呈现。
冻结 harness 跨基座迁移：5 个基座全部正收益
原文 caption：Cross-model transfer on Terminal-Bench 2, 89 tasks. The AHE workspace evolved on GPT-5.4 high is re-evaluated on each base without further evolution, paired against the NexAU0 seed on the same base. All bases gain over the seed, with cross-family bases gaining more than within-family ones.
证明进化出的组件编码了通用协调模式而非 benchmark 特调：deepseek-v4-flash +10.1pp（51.7→61.8）、qwen-3.6-plus +6.3pp、gemini-3.1-flash-lite +5.1pp，而 GPT-5.4 族内 medium/xhigh 只有 +2.3pp。读图看跨族收益大于族内——离饱和越远的基座越依赖 harness 里固化下来的协调逻辑。
演化模型自我预测的精度与召回：修复可靠、回归失明
原文 caption：Cross-iteration mean precision and recall of the evolve model's self-predictions across 9 evaluation rounds of the GPT-5.4 AHE loop on Terminal-Bench 2, alongside the random-prediction baseline. Left: fix predictions. Right: regression predictions.
自我归因审计：fix precision 33.7% vs 随机 6.5%、fix recall 51.4% vs 10.6%（远超随机）；但 regression precision 11.8% vs 随机 5.6%、recall 11.1% vs 5.4%——几乎等于随机。读图得出论文自己的结论：loop 对『这次编辑能修什么』有判断力，对『这次编辑会弄坏什么』没有预知，这正是进化曲线非单调的来源。
AHE：把 harness 进化变成工程（对话版）
小播：今天聊一篇很「工程化」的自进化论文——复旦、北大和上海期智的团队，把 coding agent 的外壳进化做成了一个能审计、能回滚的流水线。
老播：论文叫 Agentic Harness Engineering，简称 AHE。它最反直觉的一句话是：自动进化 harness 的瓶颈，根本不在模型能力，而在可观测性——你让进化 agent 看到什么、能改什么、改了怎么验证，这三件事做对了，进化自然就收敛了。
小播：等等，「外壳」还是先解释一下。
老播：就是 agent 周围那些可编辑的组件：系统提示词、工具定义、中间件、技能、子代理、长期记忆。AHE 在 Terminal-Bench 2 上，从只带一个 shell 工具的极简种子出发，十轮进化把通过率从 69.7% 推到 77.0%，压过了人类设计的 Codex、Terminus-2、OpenCode，也压过了两个自进化基线。今天我们就拆这个流水线。
第一段：问题——为什么 harness 要自动进化
小播：先给个为什么。手动调不行吗？
老播：行，但跟不上。coding agent 的表现既靠基座模型，也靠外壳；而且最佳外壳是模型特有的——给一个模型调好的外壳，换到另一个模型上经常变差。基座模型几个月一代，人手工适配根本忙不过来。
小播：那之前自动化的尝试呢？
老播：多数只优化一个组件，最常见的就是提示词。但提示词只是外壳的一层。AHE 的做法是把七类组件都打开：系统提示词、工具描述、工具实现、中间件、技能、子代理配置、长期记忆，全部文件化、全部可编辑。这样每个失败模式都能映射到具体一个组件文件，而不是散落在几百行散文里。
第二段：机制——三大可观测性
小播：那「可观测性」具体指什么？
老播：三件事。第一，组件可观测：七类组件都是独立文件，每次编辑是一个 git 提交，天然有文件级 diff 和回滚粒度。第二，经验可观测：每轮 rollout 会产生上千万 token 的原始轨迹，一个叫 Agent Debugger 的角色把这些轨迹当成可导航的文件系统，逐任务分析根因，压缩成逐任务报告加一份总览——进化 agent 读的是结构化的约一万 token 证据，而不是千万 token 日志。
小播：第三个呢？决策怎么可观测？
老播：这是最精彩的一环。每个编辑都附带一份 manifest——你针对什么失败证据、推断的根因、预期修好哪些任务、预期可能弄坏哪些任务。下一轮用实际的任务级分数变化和这些预测做交集，产生一个判定：预测中了就保留，没中就按文件回滚。每个编辑都变成一条可证伪的契约。
小播：也就是说，它不能只写「我觉得这个改动好」，必须写「我认为它会修好这几个、弄坏那几个」，然后下轮对账？
老播：对，把自我辩解替换成可测量的对账。而且约束很硬：进化 agent 只能写 harness 工作区，运行目录、追踪器、验证器、模型配置全部只读，种子提示词不许删——这挡住了自修改者最想走的三条捷径：关掉验证器、换更强的模型、抬高推理预算。
第三段：关键结果——主结果、迁移、消融
小播：好，数据说话。主结果是什么？
老播：Terminal-Bench 2 全 89 个任务，每任务一小时超时，三个角色共用 GPT-5.4 high 一个基座。十轮进化，通过率从共享种子 69.7% 到 77.0%。对照：Codex 71.9%、Terminus-2 62.9%、OpenCode 47.2%；自进化基线 ACE 68.9%、训练无关的 GRPO 变体 72.3%。十轮大约跑了 32 个小时。
小播：那它是背下了 Terminal-Bench 的答案吗？换个环境还灵吗？
老播：这是全篇最关键的证据——冻结的 harness 一行不改，直接换场景。SWE-bench-verified，500 个任务、7 个仓库：成功率 75.6%，略高于共享种子的 75.2%，而且每个 trial 只花 46 万 token，比种子省 12%、比 ACE 省 32%。换基座更明显：DeepSeek 的 flash 型号 51.7% 到 61.8%，涨 10.1 个点；Qwen 的 plus 型号涨 6.3 个点；Gemini 的 flash-lite 涨 5.1 个点——都是跨模型家族的，收益反而比同家族换推理档位更大。
小播：为什么跨家族收益更大？
老播：作者的解释是：离饱和越远的模型，越依赖外壳里固化下来的协调模式；而 GPT-5.4 自己从提示词里就能重新推导出这套协调，边际收益就小。这也解释了消融结果：单独换入长期记忆 75.3%、工具 73.0%、中间件 71.9%，但单独换系统提示词反而跌到 67.4%，比种子的 69.7% 还低——事实性结构跨模型迁移，散文级策略不迁移。
小播：所以收益主要不在提示词？
老播：对，这是这篇论文跟所有「提示词优化派」的正面分歧：增益藏在工具、中间件和长期记忆里。但注意一个反直觉现象：三个正组件的收益加起来有 11.1 个点，比整套 AHE 的 7.3 个点还多——组件不是简单叠加，互相还有干扰，作者承认这是封顶总增益的原因。
第四段：局限与争议
小播：那这套系统最弱的一环在哪？
老播：作者自己用审计数字点出来了：它对「这次编辑能修好什么」预测得不错，修复召回 51.4%，远超随机基线的 10.6%；但对「这次编辑会弄坏什么」几乎没预知——回归召回只有 11.1%，随机基线是 5.4%。所以你看到进化曲线是非单调的，走走停停。作者说，回归预知是下一代自进化闭环最明确的方向。
小播：还有别的边界吗？
老播：有三条要记住。一是范围窄：只在 Terminal-Bench 2 上进化、SWE-bench 上探测迁移，其它语言、仓库级部署、人在环工作流都没测。二是操作点耦合：步数和超时是在 GPT-5.4 high 上拟合的，所以跨模型数字里混着「外壳可移植性」和「操作点适配」两个因素，同家族内收益非单调就是证据。三是主结果只有单次十轮 campaign，没有多随机种子统计，Hard 档 30 个任务上 AHE 53.3% 还落后 Codex 的 56.7%。
小播：也就是说，整体赢了，最难的那档反而输了？
老播：对，而且论文自己的归因是组件在长时程任务上互相干扰，不是能力缺失——把长期记忆单独换进种子，Hard 档就能超过 Codex。这条细节很值得读原文。
收尾：一句话记住这篇
小播：最后用一句话总结？
老播：AHE 用三大可观测性支柱——组件文件化、轨迹蒸馏、manifest 契约——把 harness 进化变成可审计工程，Terminal-Bench 2 上 69.7% 到 77.0%，冻结外壳在 SWE-bench 和三个跨族基座上仍然正收益。
小播：最该记住的数字呢？
老播：回归召回 11.1%，对随机基线的 5.4%——它能预知自己修好什么，却预知不了自己弄坏什么。这个数字提醒我们：自进化系统离「知道自己下一步会闯什么祸」还差得远，而这是它敢不敢上生产的分水岭。