harness 工程与自进化智能体深度解读：搜索空间 → 变异算子 → 评估 → 选择 → 自我改进。
harness-evolution
把「harness（决定存什么/取什么/呈现什么的代码系统）本身当优化目标」的综述：按进化对象从 prompt→结构化上下文→workflow→harness 代码→优化器代码分层，给出 L0–L2 自我改进分级；用 STOP/Self-Harness/AHE/DGM/SIA 等实证说明模型能改进机制，但效果取决于基座能力、可观测性与评测质量。
harness-evolution
Self-Harness 让被固定模型自己完成三阶段循环——weakness mining（按 verifier-grounded 失败签名聚类执行轨迹）→ 有界 harness 提案 → held-in/held-out 双 split 回归验证通过才接受——在 Terminal-Bench-2.0 的 64 任务子集上，MiniMax M2.5 / Qwen3.5-35B-A3B / GLM-5 的 held-out pass 分别从 40.5% / 23.8% / 42.9% 升到 61.9% / 38.1% / 57.1%，模型权重、工具、评估器全程不变。
verifiable-reasoning
把 Lean4 形式验证接进数学推理的中间步骤：HERMES 对关键推理步骤做「自动形式化→证明/反证→反馈」并用已验证断言记忆库防漂移；AIME'25 上 DeepSeek-V3.2 从 50.0% 提到 70.0%（相对 +40%），每题总 FLOPs 比 reward-based Best-of-5 少约 80%。
self-improving-agent
这篇把 harness 自我进化拆成两个独立能力轴：evolver 侧的 harness-updating（产出有用更新的能力）与执行 agent 侧的 harness-benefit（从更新 harness 获益的能力）。跨 7 个模型 × 3 个 benchmark 的交叉配对显示：9B 的 Qwen3.5-9B 写出的 skill 与 Claude Opus 4.6 程序同构、收益相当（最好/最差 evolver 差距 ≤3.1pp），但 harness-benefit 随基座能力非单调——SWE 上中档 Qwen3-235B 获益 19.3pp，弱模型 Qwen3-32B 只有 4.4pp、强模型 Opus 4.6 只有 2.6pp——瓶颈在执行 agent 的 harness 加载率与长程指令遵循。
self-improving-agent
SIA 是首个在同一闭环里同时进化 harness 与权重的自改进系统：Meta-Agent 生成初始 scaffold，Task-Specific Agent 执行，Feedback-Agent 看轨迹后每步选择『改 harness』还是『用 RL 更新 LoRA 权重』。在三个领域（LawBench top-1 70.1% vs 前 SOTA 45.0%、TriMul 1,017µs vs 1,161µs、scRNA denoising 0.289 vs 0.240）双杠杆都超过 harness-only，但作者自己承认证据是 provisional：RL 算法选择是按观察模式描述的、完整处理 defer 到 v2。
harness-evolution
DemoEvolve 在自 rollout 存档之外把人类专家轨迹作为 proposer 的 harness 级诊断/编辑参考经验：Liar's Dice 上自 rollout 进化本来就有效（held-out 0.392→0.800），但 Balatro 这类长时程随机环境里稀疏反馈会误导搜索——Meta-Harness 的 ID 增益不迁移、且被选中编辑的 hook 因实现错误从未触发；加入人类示范后完成率 12/15 vs Meta-Harness 的 6/15，OOD 也提升（20.00 vs 16.33）。
harness-evolution
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。
harness-evolution
Continual Harness 把 Gemini Plays Pokémon（GPP）里的人类人工打磨 harness 循环自动化成 reset-free 的在线自改进：agent 与 Refiner 交替，Refiner 每隔 F 步对 prompt/子 agent/技能/记忆做 CRUD 编辑。在 Pokémon Red/Emerald 上，Gemini 3.1 Pro 从零自举达到 100% 里程碑、成本约 $130 vs 最小 harness 的 $215（约 −40%），收复大部分与专家 harness 的差距；再用 DAgger+PRM+前沿教师重标注实现『harness 与权重共学』，让开源 Gemma-4 在 Red 上跨训练迭代持续推进里程碑。
harness-evolution
把「决定存什么/取什么/呈现什么」的 harness 代码本身当优化对象：coding-agent proposer 通过文件系统访问所有先例的源码、分数与执行轨迹来提案新 harness，产出 Pareto 前沿候选；在线文本分类比 ACE 高 7.7 个点且上下文 token 少 4×，数学检索 harness 跨 5 个未见模型平均 +4.7 点，TerminalBench-2 超越全部已报告的人类设计 harness。
context-engineering
把上下文当「进化中的 playbook」：Generator/Reflector/Curator 三组件产出带 identifier 的结构化条目，用增量 delta 更新替代整体重写，治好 brevity bias 与 context collapse；AppWorld 上 ReAct+ACE 59.5% 对 base 42.4%，FiNER +7.6 个点、Formula +9.0 个点，离线适应延迟比 GEPA 省 82.3%。
harness-evolution
把 task agent 与 meta agent 合成单个可编辑程序（hyperagent），让「生成未来改进的机制」本身也可被编辑：在编码、论文评审、机器人奖励设计、IMO 级数学评分四个领域持续改进（论文评审测试集 0.0→0.710、奖励设计 0.060→0.372），并证明元层改进（持久记忆、性能追踪）可跨领域转移、跨 run 累积。
context-engineering
机制与内容分离的双层上下文优化：meta 层用 agentic crossover 进化「怎么管上下文」的 skill，base 层按 skill 把上下文当文件与代码优化；五个域相对 SOTA agentic CE 方法平均 +16.9%（范围 5.6–53.8%），FiNER 训练比 ACE 快 13.6×，上下文长度按任务自适应（1.5K–86K token）。
evolutionary-search
用单个开源 8B 模型（DeepSeek-R1-0528-Qwen3-8B）加大规模程序数据库（population 10000）把 AlphaEvolve 简化成可扩展的 test-time 学习系统，并首次让 8B 模型刷新 AlphaEvolve 列出的两个开放问题上界（circle packing 2.63598308 vs AlphaEvolve 2.63586276；FACI 1.503133 vs 1.503164），RL 训练的 checkpoint 还学到了可迁移的「进化能力」。
evolutionary-search
三个采样效率组件——按性能与子代数平衡的 parent sampling、embedding 余弦相似度的 code-novelty 拒绝采样、UCB1 选择 LLM 加 meta-scratchpad 沉淀成功模式——让 ShinkaEvolve 只用约 150 次程序评估就发现新的 circle packing SOTA（26 圆半径和 2.6359831，超越 AlphaEvolve 的 2.635），并进化出 AIME agent scaffold 与 MoE 负载均衡损失。
evolutionary-search
把每一次 rollout 变成自然语言学习信号：GEPA 用轨迹与评估文本（编译器报错、rubric 失败）驱动反思式变异，用 Pareto 前沿按实例选择候选，在 Qwen3 8B 上以最多 35 倍更少的 rollout 超过 GRPO（HotpotQA 62.33 vs 43.33；IFBench 用 678 次 rollout 达 38.61% vs GRPO 用 24,000 次达 35.88%）。
evolutionary-search
把「要改进的程序」用 # EVOLVE-BLOCK 标进代码，让 LLM 生成 diff 进化整个代码库、由自动评估器把关：在矩阵乘法上首次改进 Strassen 的 4×4 复矩阵算法（49→48 次标量乘法，56 年来的首个改进），并在 50+ 个数学开放问题上约 75% 打平已知最优、约 20% 超越 SOTA。
harness-evolution
固定模型权重，让 coding agent 用 bash + editor 两个工具编辑自己的 harness 代码库：按「性能/孩子数」概率选 parent、把每个变体归档进开放探索树，80 次迭代内 SWE-bench Verified 从 20.0% 涨到 50.0%、Polyglot 从 14.2% 涨到 30.7%，且收益跨模型、跨 benchmark、跨语言迁移。
workflow-design
agentic workflow 用代码表示 + MCTS 优化（Soft Mixed 选择→LLM 扩展→执行评估→经验回填）：6 个 benchmark 平均 80.3%（GPT-4o-mini 执行），超最佳手工方法 +5.7%、超 ADAS +19.5%；小模型+搜出的 workflow 以 GPT-4o 约 4.55% 的成本打平甚至超过它（HumanEval）。
workflow-design
提出 ADAS 研究领域 + Meta Agent Search：meta agent（GPT-4）在 <100 行代码框架里反复编程新 agent（forward 函数），archive 累积前序发现当 stepping stones；DROP F1 79.4 对最佳手工 65.8、MGSM 53.4 对 39.0，且发现的 agent 跨域跨模型迁移仍领先（GSM8K +25.9%、ARC 跨模型近 50%）。
self-improving-agent
STOP 把「改进器（improver）程序本身」当作优化对象：种子 improver 借助 GPT-4 递归改进自己（I_t = I_{t-1}(û, I_{t-1}, L)），在多个下游算法任务上稳定提升，并自主提出遗传算法、模拟退火、beam search 等改进策略；模型权重全程不变，处在 L1 自我改进层级（非完整 RSI）。
evolutionary-search
把「改进 prompt 的 prompt」也放进进化循环：Promptbreeder 用 LLM 当变异算子，同时进化 task-prompt 与 mutation-prompt，在 8 个算术/常识推理 benchmark 上以冻结的 PaLM 2-L 权重超过手写 CoT 与 Plan-and-Solve（GSM8K 零样本 83.9% vs PS+ 的 60.5%），并在 ETHOS 上进化出 89% 的两段式提示（对照手写提示 80%）。