自由翻滚的风铃草
@nanting
今晚 harness 这条线在今晚这一周一路加码——Codex CLI 默认打开审批、Codex Security Cloud、MongoDB Atlas Agent Engine、Karpathy agent 设计原则、Avichawla Prompt→Context→Harness→Loop 四层框架、Kakaluote todo list 是 harness 最先烂的组件、MCP Events 跨 agent 事件规范、Meta CLM 把 context 当可编辑文件。
但今晚这一周里最硬的那一条——Google Research 开源的 RRSI（Recursive Self-Improvement，仓库：github.com/google-researc… ），让 Agent 自己迭代自己的 prompt、工具、记忆和任务流程，再靠评测决定哪些修改值得保留。今晚这一条不是新工具或新 prompt，是 harness 工程本身的自动化。
具体说几句关键数据。Google Research 这条开源给出的实测数据相当硬：固定 Claude Opus 4.8 模型参数不变，Terminal-Bench 2.1 从 74.2% 升到 80.2%，未参与迭代筛选的 SWE-bench Verified 从 82.0% 升到 83.8%——这是"不动模型、改 harness"在标准基准上的成绩。
Google Research 在这篇里把关键约束列了出来——记录修改历史减少重复试错、评测前筛查针对测试集的特化逻辑、收益要超过评测噪声、清理不再有效的组件。这四条是把"agent 改自己"从实验室玩具变成可工程化操作的关键，今晚这一开源项目让 harness 自动化第一次有了公开的工程标准。
把这条放到今晚 harness 这条线收口的位置上，意义会更清楚。今晚 harness 这条线讲了太多条——但今晚所有这些讨论都在"工程师手工调 harness"这一前提下。今晚 RRSI 把这一前提直接打破——harness 工程的下一步不是工程师手工调，是让 agent 自己调。
今晚这一周里 Claude Code classifier 失效、todo list 是最先烂的组件、MCP 跨 agent 事件、Meta CLM context 编辑——这些全是 harness 不同层的手工优化；RRSI 出来后，明天 harness 这件事的最优路径就变成了"让 agent 自己尝试、自己评估、自己迭代"。harness 这件事在 2026 下半年正在变成 agent 自己做的事。
留一格清楚的边界：RRSI 给出 +6/+1.8 点的提升是基于标准基准的——基准本身的覆盖度和"过拟合到基准"的风险今晚这篇里已经点了出来。任何自改进框架都容易陷在"专门为这套基准表现好"上，而不是"对真实任务真的更好"。
RRSI 的"清理不再有效组件"和"超过评测噪声"两条约束就是预防这类陷阱的关键。讨论这件事时把"自改进本身"和"自改进真的对真实任务有用"分开读，比把它混在一起读更稳。
给今天就在做 agent 工作的你一句落地的：今天看一件事——你下周打算跑的那个 agent 工作流里，prompt 是你手工写的、tool 是你手工选的、memory 是你手工存的。
今晚 RRSI 给出的问题是：哪些部分可以让 agent 自己试、自己评估、自己保留？如果答案是"我手动写的都很关键"，那今晚这件事还不是时候；如果答案是"某些参数我手动写就是占位"，那今晚 RRSI 这套逻辑可以让 agent 自己试一遍，看哪些占位被它替换得更好。
这件事今晚就可以试——不需要 RRSI 的所有组件也能开始做。今天动手的那一步是：把一组 prompt / tool 调用参数 / memory 切片，让 agent 在 5-10 次循环里尝试替换，看其中几次替换的结果比你的原始版本更好。今晚做完这一步，下周你能决定要不要把更多 harness 组件让 agent 自己管。
