企业官网建设流程全解析

一、研究背景与问题

核心问题：LLM 智能体的能力不仅取决于模型本身，还取决于其harness（外部系统，负责组织工具使用、管理上下文和状态、控制与环境交互）。Harness 工程已成为提升智能体性能的核心手段，但存在一个根本性矛盾：

• Harness 优化改进的是外部脚手架而非模型本身，收益在部署时绑定于该 harness；

• 最佳 harness 因领域、实例、基础模型而异，通用智能体面临两难：

  • 选择共享 harness→ 放弃专用收益；

  • 维护多个专用 harness→ 需路由，产生上下文、模型调用、工具调用和编排的持续性成本。

两种选择都无法将发现的 harness 改进迁移到模型权重中。

二、核心贡献

论文提出HARNESS-ZERO框架，实现agent harness distillation（智能体 harness 蒸馏）：用优化后的 harness 作为训练时指导，将其诱导的行为迁移到模型参数中，使收益在单一固定目标 harness 下依然保留。

三个主要贡献：

1. 形式化 agent harness distillation 问题，提出 HARNESS-ZERO，将优化 harness 诱导的行为迁移到模型参数，以便在固定目标 harness 下部署。

2. 提出 agent-as-harness：将优化 harness 的指导转化为学生响应边界处可执行的监督信号，实现跨不同 harness 动作空间的模仿学习。

3. 实验验证：agent-as-harness 可优于 code-as-harness；HARNESS-ZERO 在移除优化 harness 后仍保留收益；蒸馏模型恢复了 harness 诱导的行为。

三、方法：HARNESS-ZERO 三阶段

关键符号

• h：固定目标 harness（最小化 mini-SWE-agent，仅一个 Bash 工具）

• h∗：演化后的学生侧 harness（通过 meta-harness 演化）

• K：适配自 h∗ 的私有参考 harness，供 harness 化智能体使用

• πS​：学生策略；πH​：harness 化策略

阶段 1：Harness 演化与适配（§3.1）

• 演化：在训练任务上通过技能引导的演化循环（3 轮）分析反复失败，更新工具、中间件、技能和记忆，得到 h∗。

• 适配：将 h∗ 组件适配为 K，改变其受众和执行点：

  • 工具 → 构建学生原生等价物的规范

  • 学生侧中间件 → 审查中间件（条件满足时私下提醒）

  • 技能/记忆 → 诊断标准与干预指导

阶段 2：Agent-as-Harness（§3.2）

• 学生在 h 下运行，harness 化智能体在响应边界拦截每个提议响应；

• 使用 K 决定PASS（原样通过）或REPLACE（最小连贯修正）；

• 被接受的响应通过 h 执行，观察结果进入学生可见轨迹；

• 关键约束：harness 化智能体只能读取 K，不能检查隐藏解决方案或环境状态；修正必须是学生动作空间中的完整响应。

阶段 3：从审查轨迹中学习（§3.3）

• 对经过审查的轨迹（含未更改提议和替换）应用SFT；

• 屏蔽审查者视角的推理 token；

• 部署时系统为 (πθ​,h)，移除 h∗、K 和 harness 化智能体。

四、实验设置

五、主要实验结果

1. Agent-as-Harness vs. Code-as-Harness（推理时，无参数更新）

结论：有演化 harness 时，agent-as-harness 平均优于 code-as-harness（81.1% vs. 78.1%）；空 K 仅 69.2%，说明审查本身几乎不能解释收益。

2. Harness 蒸馏结果

结论：蒸馏将宏平均从 23.3% 提升至 44.3%（+21.0 绝对，+90.1% 相对），超过 h∗ 仍挂载时的 41.7%。通用 harness（DeepAgents 20.5%、Claude Code 15.9%）均未使基础模型受益。

3. 替代蒸馏信号消融（USPTO）

结论：

• 有效监督来自harness 引导的审查，而非更强演示；

• 程序性指导优于答案访问或通用审查；

• 收集成功率不能预测蒸馏价值（Oracle 98.6% → 仅 15%）；

• 在 h∗ 下执行不能使其行为可迁移（动作空间不匹配）。

4. 行为内化（28 个 harness 专属模式）

• 覆盖 SpreadsheetBench（18）、USPTO（6）、AppWorld（4）；

• 平均恢复率 82.3%，涵盖记忆、技能、工具、中间件来源；

• 基础模型在 h 下对这些模式得分为 0%（按构造），因此恢复率直接衡量蒸馏添加的行为。

六、关键洞察

1. 程序性行为比深层领域知识更易内化：SpreadsheetBench 和 AppWorld 上蒸馏模型超过 h∗；USPTO 上落后（30% vs. 38%），因需迁移反应先验和可执行验证逻辑。

2. Agent-as-harness 的优势随模型能力增强而扩大：在弱模型上（Qwen3.6-35B-A3B）变为负值（-12.0%），因审查干预有害。

3. 成本：收集期间 USPTO 延迟为 2.4×，蒸馏后无此开销。

七、局限与未来工作

局限：

• 依赖有能力的 harness 化模型；

• 审查每个提议增加收集成本；

• SFT 可能无法完全内化深层领域知识；

• 某些 harness 机制（如上下文管理）无法完全表达为学生响应。

未来工作：

• 训练更强的智能体世界模型用于 harness 化决策；

• 使用代理信号选择性审查，支持 token 插入、潜在空间引导等细粒度干预；

• 利用替换对（被拒绝 vs. 偏好响应）进行偏好学习。

HARNESS-ZERO 将演化后的学生侧 harness h∗ 转化为固定目标 harness h 下模型的训练监督，将 harness 收益从外部脚手架内化到模型权重。这为智能体 harness 和递归自我改进开辟了新范式：将多个领域/任务特定的 harness 蒸馏到共享模型中，使跨智能体系统开发的行为和知识积累在参数中，而非分散在外部脚手架中；harness 开发可成为可扩展的训练信号来源。这里是自己的论文阅读记录，感兴趣的话可以参考一下，如果需要阅读原文的话可以看这里，如下所示：

项目地址在这里，如下所示：

摘要：

Agent harness（智能体 harness）——即介导模型-环境交互的外部系统——可以显著提升智能体性能，但其收益在部署时仍然受限于该 harness。由于最佳 harness 因领域、实例和模型而异，一个通用智能体要么满足于次优的共享 harness，要么在日益增多的专用 harness 之间进行路由。因此，我们研究智能体 harness 蒸馏（agent harness distillation）：使用领域或实例优化的 harness 作为训练时指导，将其诱导的行为迁移到模型权重中，从而使收益在单一固定目标 harness 下仍然保留。挑战在于，两个 harness 在动作空间和可用信息上存在差异，因此优化 harness 的指导无法直接作为目标 harness 的监督信号。我们提出 HARNESS-ZERO，通过agent-as-harness（智能体即 harness）实现 harness 蒸馏。在优化 harness 的指导下，一个 harness 化智能体在目标 harness 的动作空间中对学生响应进行执行前修正，将 harness 指导转化为训练演示。对由此产生的轨迹进行微调，将 harness 诱导的行为内化到模型中，从而在部署时可以移除专用 harness。我们的实验涵盖知识工作、工具使用和科学领域，结果表明：1 对于使用相同演化 harness 的前沿 LLM，agent-as-harness 优于 code-as-harness。2 在部署时移除专用 harness 的情况下，HARNESS-ZERO 将基础模型的宏平均任务成功率从 23.3% 提升至 44.3%，甚至超过了仍挂载该 harness 时达到的 41.7%。3 HARNESS-ZERO 恢复了基础模型中缺失的 harness 诱导行为，在三个领域的 28 种模式上平均恢复率为 82.3%。

关键词：LLM 智能体、智能体 harness、harness 演化、harness 蒸馏、agent-as-harness、微调

1 引言

LLM 智能体的能力既取决于其模型，也取决于其 harness：即组织工具使用、管理上下文和状态、控制与环境交互的外部系统 [Ning et al., 2026b, Weng, 2026]。Harness 工程已成为提升智能体性能的核心杠杆。编码智能体 harness 结合了 shell 访问、用于持久记忆的文件系统、子智能体和后台任务 [Weng, 2026, Yang et al., 2024]。研究智能体 harness 组织假设生成、实验和证据收集的工作流 [Lu et al., 2026]。上下文管理和经验复用进一步支持持续学习和长时程执行 [Karten et al., 2026a,b, Ma et al., 2026, Yan et al., 2026, Ye et al., 2024, 2026]。Meta-Harness 等近期方法通过优化 harness 代码来自动化这一工程过程 [Lee et al., 2026, Lin et al., 2026a, Zhang et al., 2026b]。

然而，harness 优化改进的是智能体的外部脚手架而非模型本身，因此其收益在部署时仍然受限于该 harness。由于最佳 harness 因领域、实例和基础模型而异 [Liu, 2026, Luo et al., 2026b, Zhang et al., 2026b]，通用智能体必须在共享 harness 和一组专用 harness 之间做出选择。共享 harness 会放弃部分专用收益 [Liu, 2026, Luo et al., 2026b, Yao et al., 2026]。维护多个 harness 则需要路由，并在上下文、模型调用、工具调用和编排方面产生持续性成本 [Chang et al., 2026, Lin et al., 2026b, Zhang et al., 2025a, 2026c]。两种选择都无法将发现的 harness 改进迁移到模型中。

HARNESS-ZERO

为解决这些局限，我们提出 HARNESS-ZERO，一个用于智能体 harness 蒸馏的框架。它使用优化后的 harness 作为训练时指导，将其诱导的行为蒸馏到模型参数中。这将通过 harness 优化发现的收益转化为在固定目标 harness 下可用的模型能力。

HARNESS-ZERO 中的蒸馏目标涵盖：以学生原生动作空间表达的专用工具使用、由中间件代码强制执行的行为模式，以及由技能和记忆提供的累积知识和可复用经验。源 harness 和目标 harness 可能在动作空间和可用信息上都不同，这使得在源 harness 下收集的轨迹不适合直接在目标 harness 下进行模仿。

我们对这一挑战的解决方案是agent-as-harness，它在学生智能体的响应边界处用一个 harness 化智能体将其包裹。我们将学生固定的操作 harness 记为目标 harness h，将演化后的学生侧 harness（例如通过 meta-harness [Lee et al., 2026]）记为 h∗，将其为 harness 化智能体所做的适配记为私有参考 harness K。作为这种适配的一个例子，h∗ 中阻止风险动作的中间件规则在 K 中变为审查时警告，当学生提出此类动作时激活。

在数据收集期间，harness 化智能体使用 K 在每次提议响应被执行或加入轨迹之前进行审查。它原样通过合理的提议，否则进行最小的连贯修正，表达为学生动作空间中的完整响应。被接受的响应通过 h 执行，产生的观察结果追加到学生的轨迹中。Harness 化智能体无法检查学生沙箱或查阅隐藏的任务解决方案，其私有审查讨论保留在学生可见轨迹之外。HARNESS-ZERO 对这些经过审查的 rollout 应用监督微调（SFT），将演示的行为内化到模型参数中。

Agent-as-harness

Agent-as-harness 在 harness 之间构建自适应映射：一个智能体读取一个 harness 的指导，并逐响应地将其重新表达为另一个 harness 动作空间中可执行的修正。因此，任何优化后的 harness 都可以为目标 harness 提供训练演示，无论两者在动作或可用信息上有多大差异。

我们在三个领域评估 HARNESS-ZERO：基于电子表格的知识工作（SpreadsheetBench Verified）、多应用工具使用（AppWorld）和科学推理（USPTO 逆合成）。我们将 h 实例化为一个固定的、最小化的 mini-SWE-agent [SWE-agent Team, 2025]，带有一个 Bash 执行工具。我们首先在没有训练的情况下对前沿模型评估 agent-as-harness，发现它优于 code-as-harness（在六个基准-模型设置中平均为 81.1% vs. 78.1%）。然后我们在 Qwen3.5-9B 上评估 harness 蒸馏，并在部署时移除 h∗、K 和 harness 化智能体。在仅使用 h 的情况下，HARNESS-ZERO 将宏平均性能从 23.3% 提升至 44.3%，超过了基础模型在仍挂载 h∗ 时获得的 41.7%。受控消融进一步表明，harness 引导的审查产生的蒸馏性能显著优于替代监督来源，包括来自更强模型的直接轨迹、在 h∗ 下生成的轨迹、没有 K 的审查，以及仅给出任务答案的审查（30% vs. 3-15%）。行为分析还发现，蒸馏后的模型恢复了大部分由 h∗ 诱导但基础模型中缺失的行为（在 28 种模式上平均恢复率为 82.3%）。

贡献。∙∙ 我们形式化了智能体 harness 蒸馏问题，并提出 HARNESS-ZERO，将优化 harness 诱导的行为迁移到模型参数中，以便在固定目标 harness 下部署。∙∙ 我们引入 agent-as-harness，将优化 harness 的指导转化为学生响应边界处可执行的监督信号，从而实现跨不同 harness 动作空间的模仿学习。∙∙ 实验结果表明，agent-as-harness 可以优于 code-as-harness，HARNESS-ZERO 在移除优化 harness 后仍保留其收益，且蒸馏后的模型恢复了 harness 诱导的行为。

2 相关工作

Code-as-harness 及其优化。Harness 通过工具、上下文管理、控制流和持久状态介导 LLM 与其环境之间的交互 [Ning et al., 2026b, Weng, 2026, Zhou et al., 2026]。现代编码智能体如 Claude Code [Anthropic, 2026]、Codex [OpenAI, 2026a]、Kimi Code [Moonshot AI, 2026]、Pi [Earendil Works, 2026] 和 OpenCode [Anomaly, 2026] 在这一空间内体现了不同的设计哲学。自然语言智能体 Harness 将运行级策略表示为可编辑文档，由智能体将其解释为动作 [Pan et al., 2026]。自动、免训练优化已从提示 [Agrawal et al., 2025, Fernando et al., 2023, Khattab et al., 2023] 和上下文 [Ye et al., 2026, Zhang et al., 2026c] 扩展到工作流 [Hu et al., 2025, Zhang et al., 2025b] 和 harness [Lee et al., 2026, Lin et al., 2026a, Zhang et al., 2026b]。Zhang et al. [2026a] 训练一个模型来即时生成每任务 harness。Harness 设计还可以支持测试时强到弱迁移，即更强模型为固定较弱模型构建推理时 harness [Qian et al., 2026]。作为对这一研究方向的补充，HARNESS-ZERO 引入 agent-as-harness，它可以在前沿模型上优于 code-as-harness，并支持将优化 harness 行为蒸馏到模型权重中。

模型与 harness 的协同演化。若干方法将 harness 优化与参数更新相结合。一条路线在两者之间交替，使用修订后的 harness 为下一次模型更新生成数据，并使用更新后的模型推动进一步的 harness 搜索 [Chen et al., 2026c, Hebbar et al., 2026, Karten et al., 2026b, Kim et al., 2026]。其他方法联合优化两者，将模型-harness 兼容性作为目标，并与其轨迹训练的策略一起适配智能体 harness [Chen et al., 2026a,b, Luo et al., 2026a, Mao et al., 2026]。这些研究表明 harness 和权重更新可以相互强化，但由此产生的收益可能仍然与 harness 耦合。一项受控的编码智能体研究支持这一担忧 [Le et al., 2026]：改变评估 harness 对性能的影响大于训练方法，并且使用跨 harness 收集的反馈进行训练并未改善向留出的最小 ReAct harness 的迁移。HARNESS-ZERO 则使用优化 harness 指导一个临时 harness 化智能体，并将由此产生的行为蒸馏到模型权重中，在部署时内化 harness 收益而无需保留或路由 harness 集合。

从特权指导中蒸馏。EvoHarness-RL 在 ALFWorld 上提供了 harness 内化的早期证据，其训练后的智能体学会管理外部状态，并做出更少、更有选择性的 harness 调用 [Ning et al., 2026a]。OPHSD 将顺序草稿-验证和计划-求解 LLM 工作流产生的特权输出蒸馏到独立模型中 [Zhao et al., 2026]。这些研究共同提供了初步证据，表明模型可以将 harness 诱导的行为吸收到其参数中。然而，每项研究仅针对单个机制，而非完整的工具使用智能体 harness；EvoHarness-RL 在部署时保留外部工作空间，OPHSD 不涉及交互式智能体循环。HARNESS-ZERO 引入了一种通用方法，用于将完整的工具使用智能体 harness 蒸馏到在部署时在最小目标 harness 下运行的模型中。

3 HARNESS-ZERO

HARNESS-ZERO 训练一个学生模型来复现演化 harness 诱导的行为。该方法分为三个阶段（图 1）。首先（§3.1），我们在训练任务上演化学生侧 harness，并将其适配为独立 harness 化智能体的私有参考 harness。其次（§3.2），harness 化智能体包裹学生的响应循环以收集训练轨迹。第三（§3.3），我们对学生和 harness 化智能体联合产生的经过审查的轨迹应用 SFT。在部署时，蒸馏后的学生旨在仅在目标 harness 下保留演化 harness 的收益。

3.1 Harness 演化与适配

3.2 Agent-as-harness

Code-as-harness vs. agent-as-harness

3.3 从经过审查的轨迹中学习

我们通过在目标 harness 下对经过审查的 rollout（式 (3)）中被接受的响应应用 SFT 来进行模仿学习，包括未更改的学生提议和 harness 引导的替换。替换应是从学生视角编写的自包含响应。由于它们是在私有审查上下文中生成的，可能无意中包含关于学生提议或审查决定的审查者视角推理。我们从损失中屏蔽此类推理；§D 详述了数据收集和过滤规则。设 Dreview​ 表示保留的轨迹，我们优化：

4 实验

我们首先在推理时比较 agent-as-harness 与 code-as-harness，然后测试 HARNESS-ZERO 是否可以将优化 harness 蒸馏到模型权重中。

4.1 实验设置

任务与划分。我们评估三个任务领域。(1) SpreadsheetBench Verified 包含 400 个真实世界电子表格操作任务 [Ma et al., 2024]；我们使用 300 个用于 harness 演化和训练数据收集，留出 100 个用于评估。(2) AppWorld 评估跨模拟应用的交互式工具使用 [Trivedi et al., 2024]；我们将其官方训练集和开发集合并为 147 个任务的训练划分，留出 168 个 test_normal 任务，分为 56 个三任务场景。(3) USPTO 逆合成涵盖来自 USPTO 反应语料的单步前体预测 [Jin et al., 2017, Lowe, 2012]；我们使用一个在十个反应类别中平衡的 500 任务训练划分和一个不相交的 100 任务测试划分。三者都在 Harbor 框架中运行 [Harbor Framework Team, 2026, Shi et al., 2026]。我们报告 SpreadsheetBench 和 USPTO 的单次运行任务成功率（pass@1，%）以及 AppWorld 的场景目标完成率（SGC，%）。

模型与训练。目标 harness h 是一个最小化的 mini-SWE-agent 风格 harness [SWE-agent Team, 2025]，具有固定系统提示和单一 Bash 执行工具。免训练实验使用 GPT-5.6 Sol [OpenAI, 2026b] 和 DeepSeek-V4-Pro [DeepSeek-AI, 2026]。蒸馏实验使用 Qwen3.5-9B [Qwen Team, 2026] 作为基础模型，GPT-5.6 Sol 作为 harness 化智能体；harness 演化使用 Kimi K3 [Kimi Team, 2026] 在 Kimi Code 下进行。所有模型都启用推理，适用时将推理努力设为高。在 rollout 收集和过滤后，训练数据包括 SpreadsheetBench 的 487 个 rollout、AppWorld 的 282 个和 USPTO 的 500 个。我们使用 Tinker 配方 [Thinking Machines Lab, 2025] 对 Qwen3.5-9B 进行两个 epoch 的 LoRA SFT。§E 给出了学生提示、模型访问路径和完整训练配置。

4.2 评估 agent-as-harness

我们首先在推理时比较 agent-as-harness 与 code-as-harness，不进行参数更新。表 1 变化两个因素：演化 harness 是否可用，以及它以包裹学生的代码形式还是以审查其响应的 harness 化智能体形式到达学生。两个 code-as-harness 条件不使用 harness 化智能体：mini-SWE-agent 在仅 h 下运行学生，meta-harness 在其上挂载 h∗。两个 agent-as-harness 条件保持学生在 h 下，并添加一个 harness 化智能体，它查询空参考 harness（w/o evolved）或改编自 h∗ 的 κ（w/ evolved）。在两者中，同一模型扮演学生和 harness 化智能体，因此收益不可能来自更强的监督模型。在前沿模型上，我们复用 Qwen3.5-9B 上演化的 h∗。

观察。∙ 在有演化 harness 的情况下，agent-as-harness 平均优于 code-as-harness。在表 1 的六个设置中，使用适配 κ 的 agent-as-harness 平均为 81.1%，而 meta-harness 为 78.1%，mini-SWE-agent 为 68.6%。使用空 κ 时平均仅为 69.2%，因此审查本身几乎不能解释收益。除了这些基准数字外，agent-as-harness 还提供了更好的跨模型更新适应性。代码 harness 编码了关于模型应如何行动的假设，随着能力变化，这些假设会过时，迫使为每个新模型重新适配 harness [Liu, 2026, Qian et al., 2026]。Agent-as-harness 将这种适配移到推理中：harness 化智能体根据当前轨迹解释 κ，并决定何时以及如何干预，因此指导保持可复用，更强的 harness 化模型直接改进其应用方式。虽然这种方法需要足够强的 harness 化智能体（§F），但我们预计其相对于固定代码 harness 的优势将随着基础模型的持续改进而扩大。

4.3 评估智能体 harness 蒸馏

4.4 比较替代蒸馏信号

.5 行为内化

为了更细粒度地评估 harness 蒸馏，我们测量蒸馏模型内化 h⋆ 中编码的行为模式的程度。我们首先将 h⋆ 中启用的工具、中间件、记忆和技能的模式转化为轨迹检测器。对于每个检测器，我们在相同测试任务上比较基础模型在 h⋆ 和 h 下的轨迹。我们选择模式仅在 h⋆ 下出现的任务，并且仅当至少 10 个任务满足此标准时才保留模式。这在 SpreadsheetBench 上产生 18 个 harness 专属模式，USPTO 上 6 个，AppWorld 上 4 个；§G 详细说明了挖掘过程并解释了每个模式。对于每个模式，其恢复率是 HARNESS-ZERO 在所选任务中表现出相同行为的比例。

观察。∙∙ HARNESS-ZERO 内化了 h⋆ 贡献的行为。在表 4 的 28 个模式上平均，HARNESS-ZERO 恢复了 82.3% 的 harness 专属行为。恢复涵盖记忆、技能、工具和中间件来源，包括模型可见指导和可执行组件。每个模式仅在其选定的任务上评分，其中基础模型在 h⋆ 下表现出该行为但在 h 下从未表现出，因此基础模型在每个模式上按构造得分为 0%。因此，这些恢复率衡量了蒸馏添加的行为，直接证明 HARNESS-ZERO 内化了 h⋆ 诱导的行为。

5 结论与讨论

HARNESS-ZERO 将演化后的学生侧 harness h⋆ 转化为在固定目标 harness h 下操作的模型的训练监督。在适配的参考 harness K 指导下，harness 化智能体在执行前重写学生的提议，产生与 hh 兼容的训练轨迹。在三个领域，agent-as-harness 在前沿模型上优于 code-as-harness（平均 81.1% vs. 78.1%），消融实验确定 harness 引导的审查是测试的监督来源中最有效的。在 SFT 后，仅 h 下的学生将宏平均任务成功率从 23.3% 提升至 44.3%，超过了使用 h⋆ 时达到的 41.7%，并在 28 个模式上以平均 82.3% 的比率恢复 h⋆ 特定行为。

局限。该方法依赖于有能力的 harness 化模型。对于较弱模型，审查可能变得有害，agent-as-harness 失去相对于 code-as-harness 的优势（§F）。审查每个提议还增加收集成本；每一步都需要额外的模型调用处理轨迹和 K，将 USPTO 平均延迟提高到 2.4×。这种开销适用于轨迹收集期间，蒸馏后不存在。SFT 也可能无法完全内化 h⋆ 编码的深层领域知识。此外，一些 harness 机制（例如上下文管理）无法开箱即用地完全表达为学生响应。因此，HARNESS-ZERO 并未消除对 harness 的需求，而是缩小了 harness 必须提供的范围，我们预计随着 harness 蒸馏的改进，最小 harness 就足够了。

未来工作。Harness 化智能体经常面临反事实预测问题。它必须预测执行学生提议将如何改变环境，以及干预是否会产生更好的轨迹。因此，有效的 harness 化取决于对智能体-环境动力学的准确模型。一个有前景的模型级方向是训练更强的智能体世界模型 [Zuo et al., 2026]，并专门化其预测能力以用于 harness 化决策。在框架层面，当前设计审查每个学生提议并将干预限制为通过或替换完整响应。这会在合理提议上产生不必要的调用，并仅提供粗粒度控制。未来工作可以使用代理信号选择性地调用审查，并支持更细粒度的机制，例如 token 插入和潜在空间引导。训练方法也可以改进。例如，每个替换在相同状态下配对了一个被拒绝和一个偏好的响应，因此偏好学习可以利用响应级 SFT 丢弃的比较信号。

总体而言，我们希望 HARNESS-ZERO 有助于为智能体 harness 和递归自我改进的新范式铺平道路。将许多领域和任务特定的 harness 蒸馏到共享模型中，将使跨智能体系统开发的行为和知识积累在模型参数中，而不是分散在外部脚手架中。Harness 开发随后可以成为可扩展的训练信号来源，更好的模型构建更好的 harness，每个 harness 将其收益返回给权重。