PART 5 · Harness 与自我改进
从脚手架到自我改进系统
Harness 不只是包裹模型的外壳——它正在成为 AI 递归自我改进的核心引擎。
RSI 的演进
1965 · Good
"Ultra-intelligent machine"——能设计更好机器的机器。理论设想。
2008 · Yudkowsky
正式提出 "Recursive Self-Improvement"：AI 用自身智能改进产生智能的认知机制。
2023–2024
Self-play、合成数据、Test-time training 等早期尝试。模型开始改善自己的训练数据。
2025–2026
Harness 工程成为 RSI 的核心路径——模型不直接改写权重，而是改进围绕自身的部署系统、工作流和上下文管理。
什么是 Harness？
Harness = 模型周围的一切编排系统
Harness 是围绕基座模型的运行时系统，决定模型如何：
思考与规划 · 调用工具与行动 · 感知与管理上下文 · 存储制品 · 评估结果
成功的 AI 产品（如 Claude Code、Codex、Cursor）已经证明：Harness 层与原始模型智能同等重要。一个平庸的模型加上优秀的 Harness，往往胜过裸露的更强模型。
思考与规划 · 调用工具与行动 · 感知与管理上下文 · 存储制品 · 评估结果
成功的 AI 产品（如 Claude Code、Codex、Cursor）已经证明：Harness 层与原始模型智能同等重要。一个平庸的模型加上优秀的 Harness，往往胜过裸露的更强模型。
一个简化的 Codex Agent 循环：Agent 调用工具，工具返回影响下一轮生成。（来源：OpenAI）
为什么 Harness 是近期 RSI 的实际路径？
近期 RSI 的三步预测
1. 模型不会直接改写自己的权重——但它能改进训练管线和部署系统，使下一代模型更强。
2. Harness 工程走向元方法论——不是改善答案本身，而是改善"得到更好答案的机制"。Harness 本身成为优化目标。
3. 成熟 Harness + 智能模型 = 正反馈循环——更好的 Harness 催生更强模型，更强模型又让 Harness 不必过度工程化。
2. Harness 工程走向元方法论——不是改善答案本身，而是改善"得到更好答案的机制"。Harness 本身成为优化目标。
3. 成熟 Harness + 智能模型 = 正反馈循环——更好的 Harness 催生更强模型，更强模型又让 Harness 不必过度工程化。
与 Prompt Engineering 的类比
我们已经见过更软的版本：随着指令微调和推理能力提升，手动 Prompt 技巧变得不那么核心了——但指定目标、约束、上下文和评估的需求并没有消失。
同理，最终很多 Harness 改进会被内化为模型行为，但与外部上下文和工具的接口将永远存在。
同理，最终很多 Harness 改进会被内化为模型行为，但与外部上下文和工具的接口将永远存在。
核心观点：递归自我改进不需要从模型直接修改权重开始——更现实的路径是让模型改进围绕它的 Harness 系统（上下文管理、工作流、工具编排、评估），形成持续改进的飞轮。这就是 Harness Engineering for Self-Improvement 的核心论点。