分层自我改进：任务专属可进化的智能体 Harness 框架 Hierarchical Self-Improvement: A Framework for Task-Specific Evolvable Agent Harnesses

五阶段循环如下。第一步种子选择：$(\hat{H}_t, h_t) = \mathrm{seed\_selection}(G_t, M)$，从累积进化图 $G_t$ 中选祖先版本作锚，生成含动机、改进方向与可证伪判据的假设 $h_t$，把无约束变异变成目标导向搜索。第二步主进化：候选集 $\{V_t^{(k)}\}$ 由 $M$ 改写 $\hat{H}_t$ 得到，可编辑面覆盖提示词、工具、记忆、状态与 hooks，候选经任务 scope 评估返回奖励反馈，唯一不变量是任务注入接口固定，保证热插拔与公平对比。第三步提交选择：得提交池 $C_t$，维护多样化候选而非只留最高分，入选版本连同语义理由写入进化图，供后续种子选择在成功、失败与未探索分支上推理。第四步元进化：$\Sigma_{t+1} = \mathrm{meta\_evolution}(G_t \cup C_t, \Sigma_t; M)$，改写种子、进化、提交与终版选择策略本身，但 meta-evolver 自身执行逻辑不可编辑。第五步终版选择：$H^*$ 按 $G_T$ 上的验证性能泛化优先导出部署。

技术新颖性体现在四点。第一，递归但有界的自我修改：harness 可进化、进化策略可再进化、外层执行逻辑冻结，配合评估信号与数据划分不受智能体控制，避免了无界自指——比允许元机制完全可编辑的 HyperAgents 更保守也更可控。第二，任务专属进化作为缩放轴：不追求单一通用 harness，而是每个任务族独立进化，BabaIsAI 上 BreakStop/GoTo 分别取得 0.98/1.00 的 held-out 成绩，证明族内泛化真实存在。第三，thinking-on/off 协议：任务时关推理、进化时开推理，锁定逐步能力天花板，使提升不能归因于推理时搜索——这是对 Wang et al. (2026b) 指出的混淆因素的正面回应。第四，LCB 奖励 $r = \mu - z\frac{\sigma}{\sqrt{n}}$ 抗随机高分，加上刻意采用单谱系进化（非种群并行）换取归因清晰度：性能变化可直接归因于 harness 重设计而非候选吞吐量增加。

第一，进化期评估的统计强度不足：每候选每次 evaluate() 只跑 1 个 episode，BALROG 环境又按新种子随机生成，容易被单次运气左右；虽然用 $r = \mu - z\frac{\sigma}{\sqrt{n}}$ 惩罚方差，但 $z=0.5$ 的取值没有敏感性分析。改进方向：进化中期对头部候选追加多 episode 复评，或自适应调整 $z$。第二，结论对骨干的依赖未经消融：只用 DeepSeek-V4-Flash，无法外推'能力边界'的位置。改进方向：在 2-3 个不同能力档位的模型上重复 Setup A。第三，成本与效率不透明：未报告 API 调用次数、token 消耗与墙钟时间，也缺少与等成本测试时缩放基线的对照——这正是 Wang et al. (2026b) 批评的缺失比较。改进方向：报告成本-性能曲线。第四，任务注入接口与 react() 原语仍由人工设计，'内生'程度有限。改进方向：把接口本身纳入可编辑面并配套验证机制。第五，自我改写执行代码的系统缺少安全性讨论：无沙箱隔离、资源限制与恶意退化分析。改进方向：加入回滚机制与代码审计约束。

作者提出的方向：与更强基础模型结合（能力边界随骨干上移）、在反馈更丰富的环境中进化（缓解反馈保真度限制）、引入可扩展的种群搜索（与单谱系互补的额外缩放维度）。基于成果可延伸的方向：其一，跨任务族的 harness 库与自动路由——既然族内泛化已被证明，可研究族间模块复用与元学习式初始化；其二，成本感知进化——把 API 预算作为约束纳入 $\Sigma$，让 meta-evolver 学会分配评估资源；其三，理论刻画——结合 Wang et al. (2026a) 的 PAC 界，分析分层可编辑面复杂度与泛化保证的关系；其四，迁移到真实生产任务（代码仓库维护、网页操作、科学实验编排），检验任务注入接口在开放域是否够用；其五，安全性研究——自我改写执行代码的系统的沙箱、审计与失败回滚机制。

复现条件较好：代码在 GitHub 开源（github.com/TailinZhou/hsi），BALROG 公开，leaderboard 数字标注检索日期（2026-08-03），协议描述详细——同分布协议按新种子重采样、BabaIsAI 按子套件划分 dev/val/test（20% held-out），Advanced 因仅 3 个任务被排除的细节也如实说明。骨干通过 deepseek-v4-flash-preview API 获取，无需本地 GPU，门槛主要在 API 预算：每个任务族独立进化需 T=5 外迭代 × 每迭代至多 80 个 react() 步 × 高频评估，五个环境加三个子套件总量可观。主要不确定因素：LLM 进化有随机性，作者未报告 HSI 本身的多种子重复实验（Init Harness 基线跑了 3 次取平均），复现者需多次运行确认提升幅度；且论文基于 2026 年的 API 服务，模型更迭后需换等价骨干，结论可能变化。总体：中等难度复现，框架逻辑清晰、组件边界明确是加分项。