[LG]《Recursive Harness Self-Improvement》H Lee, J Xu, J Seely, D Lee… [Sakana AI & UC Berkeley] (2026)

在智能体（Agent）领域，针对特定任务优化工作流（Harness）面临高昂的成本瓶颈。过去的方法受困于大规模种群搜索或固定的通用架构，本质原因是多路径并行验证的计算开销极大，难以在有限预算下实现快速迭代。

本文的核心洞见是：把工作流重新看作提示词级的循环规范。由此，通过轨迹局部的自我比较与成对反馈，迭代精炼智能体间的通信契约与执行跳数，这一关键操作使冗余的上下文管理转化为任务相关的稀疏信息流。

这项工作真正留下的遗产是证明了轻量化工作流优化能突破推理侧缩放的性能天花板，并降低 60% 的成本。它为智能体与模型的协同进化打开了新门，但尚未跨越基础模型底层能力限制及评估器噪声带来的门槛。

arxiv.org/abs/2607.15524 机器学习 人工智能 论文 AI创造营