最近 AI 领域讨论 RSI（Recursive Self-Improvement，递归自我改进）时，很多人默认思路是微调模型权重、优化数据集。但Harness RSI走出了一条完全不同的路线：冻结大模型权重，持续迭代智能体的运行框架（Harness），让 Agent 在真实任务中自动进化。
一、先分清两个概念：什么是 Harness，什么是 RSI
Harness，可以理解为智能体的 “运行骨架”。大模型是大脑，Harness 就是包裹大脑的整套执行系统：包含任务规划、工具调用、提示词编排、执行轨迹记录、评估器、记忆管理、错误重试、多子 Agent 调度、日志与版本管理。模型只负责推理，所有调度、决策、纠错流程都由 Harness 承载。
RSI（Recursive Self-Improvement，递归自我改进）：AI 系统利用任务执行后的反馈，自动改进自身的运行机制，形成闭环迭代。
传统 RSI 分为三类：
- Model-RSI：修改模型权重，微调大模型本身；成本高、算力开销巨大，且有安全风险；
- Data-RSI：优化训练 / 评测数据集，通过数据迭代提升模型；
- Harness-RSI：模型权重保持不变，只迭代 Harness 框架本身，也就是本文主角。
二、Harness RSI 核心原理：冻结模型，迭代骨架
Harness RSI 的核心思想一句话概括：模型不变，流程自进化。
完整闭环流程：
- 任务执行：Agent 使用当前版本 Harness 执行真实任务，完整记录执行轨迹（prompt、工具调用、中间结果、错误、最终输出）；
- 结果评估：评估器打分，识别失败案例、短板、重复错误；
- 缺陷定位：分析轨迹，定位问题不是模型本身，而是 Harness 层面：提示词缺陷、工具调用逻辑错误、规划策略不足、记忆管理漏洞；
- 生成改进方案：由 AI 生成 Harness 修改方案，例如修改工作流、调整提示模板、新增分支判断、优化重试策略；
- 版本化验证：把修改后的 Harness 作为新版本，在测试集上跑对照实验，验证改进是否有效；
- 迭代收敛：保留有效修改，丢弃劣化改动；新版本 Harness 进入下一轮任务执行，循环往复。
整个过程不碰模型权重。相当于同一个大脑，不断优化思考的流程、工具使用方式、任务拆解策略，越用越会干活。
三、Harness RSI 相比传统 RSI 的优势
- 成本极低，算力友好 不需要全量微调、LoRA 微调，不需要大规模重训练。只修改提示词、工作流、调度逻辑，普通推理算力就能跑自进化闭环，小团队也能落地。
- 可控性更强，安全边界清晰 模型权重冻结，模型本身能力上限不变。所有变化都在 Harness 层，修改可版本化、可回滚、可审计。一旦出现问题，直接切回旧版本 Harness，不会出现模型 “越改越失控” 的风险。
- 可迁移，适配不同基础模型 Harness 是一套独立的执行框架，同一个自进化 Harness，可以切换底层大模型（Claude、Qwen 等），改进经验可以跨模型复用。
- 面向真实场景，不是仅在基准测试刷分 改进来自真实任务轨迹，不是合成数据集。智能体优化的是真实业务痛点，例如代码调试、文档处理、复杂多步骤办公任务，而不是单纯刷 Benchmark 分数。
四、局限与现实挑战
Harness RSI 不是万能方案，它也有明显短板：
- 能力天花板受底层模型限制 模型权重不动，无论怎么优化 Harness，都无法突破基础模型本身固有的知识、推理上限。当任务需要更强底层推理能力时，Harness 迭代会遇到瓶颈。
- 容易出现局部最优与奖励黑客 系统会倾向寻找 “在评估指标上得分高，但实际任务效果变差” 的捷径，也就是奖励黑客。评估器设计难度极高，评估指标稍有缺陷，自进化就会跑偏。
- 复杂任务下迭代收敛慢 长链路、多分支的复杂 Agent 任务，一次失败的根因很难定位，改进方案的验证成本会显著上升。
一句话总结取舍：Harness RSI 适合快速迭代 Agent 工作流，低成本提升任务落地能力；但底层模型能力突破，依然需要 Model-RSI 或预训练。
五、Harness RSI 落地场景
- 代码智能体：自动优化工具调用、错误重试、代码规划逻辑，提升代码调试成功率；
- 办公多任务 Agent：文档处理、信息检索、多步骤报表、邮件处理；
- 自动化运维 Agent：CI/CD、日志分析、故障排查；
- 行业垂直智能体：在固定大模型基础上，持续优化业务工作流，降低人工维护成本。
六、行业视角：为什么 Harness RSI 是当下最务实的 RSI 路线
过去一提到 RSI，大家第一反应是科幻式的 “AI 自我重写模型，智能爆炸”。但模型级 RSI 的算力成本、安全风险极高，短期很难落地。
Harness 工程的思路把 RSI 从遥远的理论猜想，变成可工程落地的闭环系统。它承认：模型只是组件，Agent 的能力，很大一部分来自调度、规划、记忆、工具链这套 Harness 骨架。在不改动模型的前提下，通过迭代骨架持续提升 Agent 任务表现，是现阶段最现实的自进化路径36氪。
当然，行业也在探索 MetaRSI 这类统一框架，尝试同时融合 Model-RSI、Data-RSI、Harness-RSI 三条路线，让 RSI 本身也可以自我改进，也就是 “递归的递归”，但目前仍处于早期研究阶段。
结尾
Harness RSI 给我们一个重要启示：AI 智能体的能力，不只是模型参数。工作流、提示工程、记忆、工具调度、评估体系，同样是智能体的核心。
在模型能力短期难以无限提升的今天，Harness RSI 提供了一条低成本、可审计的进化路径。未来，Agent 开发的重心，会从单纯 “选大模型”，转向搭建一套能够持续自我迭代、自我修复的 Harness 工程体系。
