自改进跑得快不快，取决于刹车灵不灵

一个把"自改进"推到编排层的新框架：Raven 0.2.0 号称 Harness of Harnesses——核心判断是"一个 harness 不可能什么都最强"，所以它把自己的专家 harness（研究、代码、设计、值班）和你已经在用的 agent（Claude Code、Codex 等）编进同一张任务图，共享记忆，当成一个团队来跑。

仓库见 github.com/EverMind-AI/Ra… ，讨论组：discord.gg/VVSm8MESch

真正值得停下来看的是第二层设计：它不只让 skill 自我改进，而是让整个 harness 可被 AI 重写——提示词、策略、策略代码、playbook 全在内，连编排层自己都是一个可改进的实例。

这句"编排层也是实例"把今晚几篇串成了一条递进线：先有人把技能写成可进化的资产（SkillOpt），再有人把决策画成固定拓扑（图工程），Cherny 那篇说别再给模型打补位的细碎规则——Raven 把第三步摆上台面：画图的那只手，也可以交出去。从"用结构管模型"到"让结构自己长"，这条线走到哪一步，行业自己都还在试。

支撑它的不是口号而是可验证的数字：编排质量有基准背书——多 agent 编排基准上 0.963 的 Node F1，长任务侧有值班与主动执行机制撑着（号称能连续跑几天，从科研循环到完整交付）。

这两个数字恰好是今晚反复出现的那对关系：能改进的前提是能测量——没有可测的编排分数，"自改进"就会变成每天瞎折腾；没有连续执行，策略改得再好也落不了地。和 Anthropic 那套评测四铁律合起来看，结论一致：先立标尺，再谈进化。

把三条产品线并排，选择也清楚了。想要固定拓扑不出错的，图工程那套够用；想要技能越用越熟的，SkillOpt 方向对口；想要整条流水线（含编排）都能被模型迭代的，Raven 这条路最激进——但激进的代价是它要求你把自己的 prompt、策略、playbook 全部当作代码来管版本，否则"AI 重写编排层"哪天改坏了你都找不出是谁干的。

留一格清醒：0.963 是它自己引用的基准口径，榜单与实测会有出入；"能跑几天"也取决于任务与容错配置。新框架的通用性和长期维护都要时间验证——先在低风险的非关键流程上试，别一上来就把生产流水线交出去。

给想试的人一句落地的：把你的流程先拆成"可回滚"和"不可回滚"两类——只有可回滚的那半（文档、测试、内部工具）交给会自改写的 harness；涉及花钱、发信、删数据的那半先继续手动确认。自改进跑得快不快，取决于刹车灵不灵，这条今晚在安全线那几篇里已经讲过一遍。