一、研究背景与问题核心问题LLM 智能体的能力不仅取决于模型本身还取决于其harness外部系统负责组织工具使用、管理上下文和状态、控制与环境交互。Harness 工程已成为提升智能体性能的核心手段但存在一个根本性矛盾Harness 优化改进的是外部脚手架而非模型本身收益在部署时绑定于该 harness最佳 harness 因领域、实例、基础模型而异通用智能体面临两难选择共享 harness→ 放弃专用收益维护多个专用 harness→ 需路由产生上下文、模型调用、工具调用和编排的持续性成本。两种选择都无法将发现的 harness 改进迁移到模型权重中。二、核心贡献论文提出HARNESS-ZERO框架实现agent harness distillation智能体 harness 蒸馏用优化后的 harness 作为训练时指导将其诱导的行为迁移到模型参数中使收益在单一固定目标 harness 下依然保留。三个主要贡献形式化 agent harness distillation 问题提出 HARNESS-ZERO将优化 harness 诱导的行为迁移到模型参数以便在固定目标 harness 下部署。提出 agent-as-harness将优化 harness 的指导转化为学生响应边界处可执行的监督信号实现跨不同 harness 动作空间的模仿学习。实验验证agent-as-harness 可优于 code-as-harnessHARNESS-ZERO 在移除优化 harness 后仍保留收益蒸馏模型恢复了 harness 诱导的行为。三、方法HARNESS-ZERO 三阶段关键符号h固定目标 harness最小化 mini-SWE-agent仅一个 Bash 工具h∗演化后的学生侧 harness通过 meta-harness 演化K适配自 h∗ 的私有参考 harness供 harness 化智能体使用πS​学生策略πH​harness 化策略阶段 1Harness 演化与适配§3.1演化在训练任务上通过技能引导的演化循环3 轮分析反复失败更新工具、中间件、技能和记忆得到 h∗。适配将 h∗ 组件适配为 K改变其受众和执行点工具 → 构建学生原生等价物的规范学生侧中间件 → 审查中间件条件满足时私下提醒技能/记忆 → 诊断标准与干预指导阶段 2Agent-as-Harness§3.2学生在 h 下运行harness 化智能体在响应边界拦截每个提议响应使用 K 决定PASS原样通过或REPLACE最小连贯修正被接受的响应通过 h 执行观察结果进入学生可见轨迹关键约束harness 化智能体只能读取 K不能检查隐藏解决方案或环境状态修正必须是学生动作空间中的完整响应。阶段 3从审查轨迹中学习§3.3对经过审查的轨迹含未更改提议和替换应用SFT屏蔽审查者视角的推理 token部署时系统为 (πθ​,h)移除 h∗、K 和 harness 化智能体。四、实验设置维度内容领域SpreadsheetBench Verified电子表格、AppWorld多应用工具、USPTO逆合成目标 harness h最小 mini-SWE-agent单一 Bash 工具蒸馏基础模型Qwen3.5-9BHarness 化智能体GPT-5.6 SolHarness 演化Kimi K3Kimi Code训练LoRA SFT2 epochsTinker 配方五、主要实验结果1. Agent-as-Harness vs. Code-as-Harness推理时无参数更新设置平均表现mini-SWE-agent (h)68.6%meta-harness (h∗)78.1%Agent-as-harness空 K69.2%Agent-as-harness有 K81.1%结论有演化 harness 时agent-as-harness 平均优于 code-as-harness81.1% vs. 78.1%空 K 仅 69.2%说明审查本身几乎不能解释收益。2. Harness 蒸馏结果设置平均基础模型 h23.3%基础模型 h∗41.7%HARNESS-ZERO仅 h44.3%结论蒸馏将宏平均从 23.3% 提升至 44.3%21.0 绝对90.1% 相对超过 h∗ 仍挂载时的 41.7%。通用 harnessDeepAgents 20.5%、Claude Code 15.9%均未使基础模型受益。3. 替代蒸馏信号消融USPTO轨迹来源收集成功率测试 pass1基础未训练—12.0教师 rollout52.012.0教师 h∗62.03.0学生 h∗39.412.0空 KK 审查44.211.0Oracle 答案审查98.615.0HARNESS-ZEROK59.430.0结论有效监督来自harness 引导的审查而非更强演示程序性指导优于答案访问或通用审查收集成功率不能预测蒸馏价值Oracle 98.6% → 仅 15%在 h∗ 下执行不能使其行为可迁移动作空间不匹配。4. 行为内化28 个 harness 专属模式覆盖 SpreadsheetBench18、USPTO6、AppWorld4平均恢复率 82.3%涵盖记忆、技能、工具、中间件来源基础模型在 h 下对这些模式得分为 0%按构造因此恢复率直接衡量蒸馏添加的行为。六、关键洞察程序性行为比深层领域知识更易内化SpreadsheetBench 和 AppWorld 上蒸馏模型超过 h∗USPTO 上落后30% vs. 38%因需迁移反应先验和可执行验证逻辑。Agent-as-harness 的优势随模型能力增强而扩大在弱模型上Qwen3.6-35B-A3B变为负值-12.0%因审查干预有害。成本收集期间 USPTO 延迟为 2.4×蒸馏后无此开销。七、局限与未来工作局限依赖有能力的 harness 化模型审查每个提议增加收集成本SFT 可能无法完全内化深层领域知识某些 harness 机制如上下文管理无法完全表达为学生响应。未来工作训练更强的智能体世界模型用于 harness 化决策使用代理信号选择性审查支持 token 插入、潜在空间引导等细粒度干预利用替换对被拒绝 vs. 偏好响应进行偏好学习。HARNESS-ZERO 将演化后的学生侧 harness h∗ 转化为固定目标 harness h 下模型的训练监督将 harness 收益从外部脚手架内化到模型权重。这为智能体 harness 和递归自我改进开辟了新范式将多个领域/任务特定的 harness 蒸馏到共享模型中使跨智能体系统开发的行为和知识积累在参数中而非分散在外部脚手架中harness 开发可成为可扩展的训练信号来源。这里是自己的论文阅读记录感兴趣的话可以参考一下如果需要阅读原文的话可以看这里如下所示项目地址在这里如下所示摘要Agent harness智能体 harness——即介导模型-环境交互的外部系统——可以显著提升智能体性能但其收益在部署时仍然受限于该 harness。由于最佳 harness 因领域、实例和模型而异一个通用智能体要么满足于次优的共享 harness要么在日益增多的专用 harness 之间进行路由。因此我们研究智能体 harness 蒸馏agent harness distillation使用领域或实例优化的 harness 作为训练时指导将其诱导的行为迁移到模型权重中从而使收益在单一固定目标 harness 下仍然保留。挑战在于两个 harness 在动作空间和可用信息上存在差异因此优化 harness 的指导无法直接作为目标 harness 的监督信号。我们提出 HARNESS-ZERO通过agent-as-harness智能体即 harness实现 harness 蒸馏。在优化 harness 的指导下一个 harness 化智能体在目标 harness 的动作空间中对学生响应进行执行前修正将 harness 指导转化为训练演示。对由此产生的轨迹进行微调将 harness 诱导的行为内化到模型中从而在部署时可以移除专用 harness。我们的实验涵盖知识工作、工具使用和科学领域结果表明1 对于使用相同演化 harness 的前沿 LLMagent-as-harness 优于 code-as-harness。2 在部署时移除专用 harness 的情况下HARNESS-ZERO 将基础模型的宏平均任务成功率从 23.3% 提升至 44.3%甚至超过了仍挂载该 harness 时达到的 41.7%。3 HARNESS-ZERO 恢复了基础模型中缺失的 harness 诱导行为在三个领域的 28 种模式上平均恢复率为 82.3%。关键词LLM 智能体、智能体 harness、harness 演化、harness 蒸馏、agent-as-harness、微调1 引言LLM 智能体的能力既取决于其模型也取决于其 harness即组织工具使用、管理上下文和状态、控制与环境交互的外部系统 [Ning et al., 2026b, Weng, 2026]。Harness 工程已成为提升智能体性能的核心杠杆。编码智能体 harness 结合了 shell 访问、用于持久记忆的文件系统、子智能体和后台任务 [Weng, 2026, Yang et al., 2024]。研究智能体 harness 组织假设生成、实验和证据收集的工作流 [Lu et al., 2026]。上下文管理和经验复用进一步支持持续学习和长时程执行 [Karten et al., 2026a,b, Ma et al., 2026, Yan et al., 2026, Ye et al., 2024, 2026]。Meta-Harness 等近期方法通过优化 harness 代码来自动化这一工程过程 [Lee et al., 2026, Lin et al., 2026a, Zhang et al., 2026b]。然而harness 优化改进的是智能体的外部脚手架而非模型本身因此其收益在部署时仍然受限于该 harness。由于最佳 harness 因领域、实例和基础模型而异 [Liu, 2026, Luo et al., 2026b, Zhang et al., 2026b]通用智能体必须在共享 harness 和一组专用 harness 之间做出选择。共享 harness 会放弃部分专用收益 [Liu, 2026, Luo et al., 2026b, Yao et al., 2026]。维护多个 harness 则需要路由并在上下文、模型调用、工具调用和编排方面产生持续性成本 [Chang et al., 2026, Lin et al., 2026b, Zhang et al., 2025a, 2026c]。两种选择都无法将发现的 harness 改进迁移到模型中。HARNESS-ZERO为解决这些局限我们提出 HARNESS-ZERO一个用于智能体 harness 蒸馏的框架。它使用优化后的 harness 作为训练时指导将其诱导的行为蒸馏到模型参数中。这将通过 harness 优化发现的收益转化为在固定目标 harness 下可用的模型能力。HARNESS-ZERO 中的蒸馏目标涵盖以学生原生动作空间表达的专用工具使用、由中间件代码强制执行的行为模式以及由技能和记忆提供的累积知识和可复用经验。源 harness 和目标 harness 可能在动作空间和可用信息上都不同这使得在源 harness 下收集的轨迹不适合直接在目标 harness 下进行模仿。我们对这一挑战的解决方案是agent-as-harness它在学生智能体的响应边界处用一个 harness 化智能体将其包裹。我们将学生固定的操作 harness 记为目标 harness h将演化后的学生侧 harness例如通过 meta-harness [Lee et al., 2026]记为 h∗将其为 harness 化智能体所做的适配记为私有参考 harness K。作为这种适配的一个例子h∗ 中阻止风险动作的中间件规则在 K 中变为审查时警告当学生提出此类动作时激活。在数据收集期间harness 化智能体使用 K 在每次提议响应被执行或加入轨迹之前进行审查。它原样通过合理的提议否则进行最小的连贯修正表达为学生动作空间中的完整响应。被接受的响应通过 h 执行产生的观察结果追加到学生的轨迹中。Harness 化智能体无法检查学生沙箱或查阅隐藏的任务解决方案其私有审查讨论保留在学生可见轨迹之外。HARNESS-ZERO 对这些经过审查的 rollout 应用监督微调SFT将演示的行为内化到模型参数中。Agent-as-harnessAgent-as-harness 在 harness 之间构建自适应映射一个智能体读取一个 harness 的指导并逐响应地将其重新表达为另一个 harness 动作空间中可执行的修正。因此任何优化后的 harness 都可以为目标 harness 提供训练演示无论两者在动作或可用信息上有多大差异。我们在三个领域评估 HARNESS-ZERO基于电子表格的知识工作SpreadsheetBench Verified、多应用工具使用AppWorld和科学推理USPTO 逆合成。我们将 h 实例化为一个固定的、最小化的 mini-SWE-agent [SWE-agent Team, 2025]带有一个 Bash 执行工具。我们首先在没有训练的情况下对前沿模型评估 agent-as-harness发现它优于 code-as-harness在六个基准-模型设置中平均为 81.1% vs. 78.1%。然后我们在 Qwen3.5-9B 上评估 harness 蒸馏并在部署时移除 h∗、K 和 harness 化智能体。在仅使用 h 的情况下HARNESS-ZERO 将宏平均性能从 23.3% 提升至 44.3%超过了基础模型在仍挂载 h∗ 时获得的 41.7%。受控消融进一步表明harness 引导的审查产生的蒸馏性能显著优于替代监督来源包括来自更强模型的直接轨迹、在 h∗ 下生成的轨迹、没有 K 的审查以及仅给出任务答案的审查30% vs. 3-15%。行为分析还发现蒸馏后的模型恢复了大部分由 h∗ 诱导但基础模型中缺失的行为在 28 种模式上平均恢复率为 82.3%。贡献。∙∙ 我们形式化了智能体 harness 蒸馏问题并提出 HARNESS-ZERO将优化 harness 诱导的行为迁移到模型参数中以便在固定目标 harness 下部署。∙∙ 我们引入 agent-as-harness将优化 harness 的指导转化为学生响应边界处可执行的监督信号从而实现跨不同 harness 动作空间的模仿学习。∙∙ 实验结果表明agent-as-harness 可以优于 code-as-harnessHARNESS-ZERO 在移除优化 harness 后仍保留其收益且蒸馏后的模型恢复了 harness 诱导的行为。2 相关工作Code-as-harness 及其优化。Harness 通过工具、上下文管理、控制流和持久状态介导 LLM 与其环境之间的交互 [Ning et al., 2026b, Weng, 2026, Zhou et al., 2026]。现代编码智能体如 Claude Code [Anthropic, 2026]、Codex [OpenAI, 2026a]、Kimi Code [Moonshot AI, 2026]、Pi [Earendil Works, 2026] 和 OpenCode [Anomaly, 2026] 在这一空间内体现了不同的设计哲学。自然语言智能体 Harness 将运行级策略表示为可编辑文档由智能体将其解释为动作 [Pan et al., 2026]。自动、免训练优化已从提示 [Agrawal et al., 2025, Fernando et al., 2023, Khattab et al., 2023] 和上下文 [Ye et al., 2026, Zhang et al., 2026c] 扩展到工作流 [Hu et al., 2025, Zhang et al., 2025b] 和 harness [Lee et al., 2026, Lin et al., 2026a, Zhang et al., 2026b]。Zhang et al. [2026a] 训练一个模型来即时生成每任务 harness。Harness 设计还可以支持测试时强到弱迁移即更强模型为固定较弱模型构建推理时 harness [Qian et al., 2026]。作为对这一研究方向的补充HARNESS-ZERO 引入 agent-as-harness它可以在前沿模型上优于 code-as-harness并支持将优化 harness 行为蒸馏到模型权重中。模型与 harness 的协同演化。若干方法将 harness 优化与参数更新相结合。一条路线在两者之间交替使用修订后的 harness 为下一次模型更新生成数据并使用更新后的模型推动进一步的 harness 搜索 [Chen et al., 2026c, Hebbar et al., 2026, Karten et al., 2026b, Kim et al., 2026]。其他方法联合优化两者将模型-harness 兼容性作为目标并与其轨迹训练的策略一起适配智能体 harness [Chen et al., 2026a,b, Luo et al., 2026a, Mao et al., 2026]。这些研究表明 harness 和权重更新可以相互强化但由此产生的收益可能仍然与 harness 耦合。一项受控的编码智能体研究支持这一担忧 [Le et al., 2026]改变评估 harness 对性能的影响大于训练方法并且使用跨 harness 收集的反馈进行训练并未改善向留出的最小 ReAct harness 的迁移。HARNESS-ZERO 则使用优化 harness 指导一个临时 harness 化智能体并将由此产生的行为蒸馏到模型权重中在部署时内化 harness 收益而无需保留或路由 harness 集合。从特权指导中蒸馏。EvoHarness-RL 在 ALFWorld 上提供了 harness 内化的早期证据其训练后的智能体学会管理外部状态并做出更少、更有选择性的 harness 调用 [Ning et al., 2026a]。OPHSD 将顺序草稿-验证和计划-求解 LLM 工作流产生的特权输出蒸馏到独立模型中 [Zhao et al., 2026]。这些研究共同提供了初步证据表明模型可以将 harness 诱导的行为吸收到其参数中。然而每项研究仅针对单个机制而非完整的工具使用智能体 harnessEvoHarness-RL 在部署时保留外部工作空间OPHSD 不涉及交互式智能体循环。HARNESS-ZERO 引入了一种通用方法用于将完整的工具使用智能体 harness 蒸馏到在部署时在最小目标 harness 下运行的模型中。3 HARNESS-ZEROHARNESS-ZERO 训练一个学生模型来复现演化 harness 诱导的行为。该方法分为三个阶段图 1。首先§3.1我们在训练任务上演化学生侧 harness并将其适配为独立 harness 化智能体的私有参考 harness。其次§3.2harness 化智能体包裹学生的响应循环以收集训练轨迹。第三§3.3我们对学生和 harness 化智能体联合产生的经过审查的轨迹应用 SFT。在部署时蒸馏后的学生旨在仅在目标 harness 下保留演化 harness 的收益。3.1 Harness 演化与适配3.2 Agent-as-harnessCode-as-harness vs. agent-as-harness3.3 从经过审查的轨迹中学习我们通过在目标 harness 下对经过审查的 rollout式 (3)中被接受的响应应用 SFT 来进行模仿学习包括未更改的学生提议和 harness 引导的替换。替换应是从学生视角编写的自包含响应。由于它们是在私有审查上下文中生成的可能无意中包含关于学生提议或审查决定的审查者视角推理。我们从损失中屏蔽此类推理§D 详述了数据收集和过滤规则。设 Dreview​ 表示保留的轨迹我们优化4 实验我们首先在推理时比较 agent-as-harness 与 code-as-harness然后测试 HARNESS-ZERO 是否可以将优化 harness 蒸馏到模型权重中。4.1 实验设置任务与划分。我们评估三个任务领域。(1) SpreadsheetBench Verified 包含 400 个真实世界电子表格操作任务 [Ma et al., 2024]我们使用 300 个用于 harness 演化和训练数据收集留出 100 个用于评估。(2) AppWorld 评估跨模拟应用的交互式工具使用 [Trivedi et al., 2024]我们将其官方训练集和开发集合并为 147 个任务的训练划分留出 168 个 test_normal 任务分为 56 个三任务场景。(3) USPTO 逆合成涵盖来自 USPTO 反应语料的单步前体预测 [Jin et al., 2017, Lowe, 2012]我们使用一个在十个反应类别中平衡的 500 任务训练划分和一个不相交的 100 任务测试划分。三者都在 Harbor 框架中运行 [Harbor Framework Team, 2026, Shi et al., 2026]。我们报告 SpreadsheetBench 和 USPTO 的单次运行任务成功率pass1%以及 AppWorld 的场景目标完成率SGC%。模型与训练。目标 harness h 是一个最小化的 mini-SWE-agent 风格 harness [SWE-agent Team, 2025]具有固定系统提示和单一 Bash 执行工具。免训练实验使用 GPT-5.6 Sol [OpenAI, 2026b] 和 DeepSeek-V4-Pro [DeepSeek-AI, 2026]。蒸馏实验使用 Qwen3.5-9B [Qwen Team, 2026] 作为基础模型GPT-5.6 Sol 作为 harness 化智能体harness 演化使用 Kimi K3 [Kimi Team, 2026] 在 Kimi Code 下进行。所有模型都启用推理适用时将推理努力设为高。在 rollout 收集和过滤后训练数据包括 SpreadsheetBench 的 487 个 rollout、AppWorld 的 282 个和 USPTO 的 500 个。我们使用 Tinker 配方 [Thinking Machines Lab, 2025] 对 Qwen3.5-9B 进行两个 epoch 的 LoRA SFT。§E 给出了学生提示、模型访问路径和完整训练配置。4.2 评估 agent-as-harness我们首先在推理时比较 agent-as-harness 与 code-as-harness不进行参数更新。表 1 变化两个因素演化 harness 是否可用以及它以包裹学生的代码形式还是以审查其响应的 harness 化智能体形式到达学生。两个 code-as-harness 条件不使用 harness 化智能体mini-SWE-agent 在仅 h 下运行学生meta-harness 在其上挂载 h∗。两个 agent-as-harness 条件保持学生在 h 下并添加一个 harness 化智能体它查询空参考 harnessw/o evolved或改编自 h∗ 的 κw/ evolved。在两者中同一模型扮演学生和 harness 化智能体因此收益不可能来自更强的监督模型。在前沿模型上我们复用 Qwen3.5-9B 上演化的 h∗。观察。∙ 在有演化 harness 的情况下agent-as-harness 平均优于 code-as-harness。在表 1 的六个设置中使用适配 κ 的 agent-as-harness 平均为 81.1%而 meta-harness 为 78.1%mini-SWE-agent 为 68.6%。使用空 κ 时平均仅为 69.2%因此审查本身几乎不能解释收益。除了这些基准数字外agent-as-harness 还提供了更好的跨模型更新适应性。代码 harness 编码了关于模型应如何行动的假设随着能力变化这些假设会过时迫使为每个新模型重新适配 harness [Liu, 2026, Qian et al., 2026]。Agent-as-harness 将这种适配移到推理中harness 化智能体根据当前轨迹解释 κ并决定何时以及如何干预因此指导保持可复用更强的 harness 化模型直接改进其应用方式。虽然这种方法需要足够强的 harness 化智能体§F但我们预计其相对于固定代码 harness 的优势将随着基础模型的持续改进而扩大。4.3 评估智能体 harness 蒸馏4.4 比较替代蒸馏信号.5 行为内化为了更细粒度地评估 harness 蒸馏我们测量蒸馏模型内化 h⋆ 中编码的行为模式的程度。我们首先将 h⋆ 中启用的工具、中间件、记忆和技能的模式转化为轨迹检测器。对于每个检测器我们在相同测试任务上比较基础模型在 h⋆ 和 h 下的轨迹。我们选择模式仅在 h⋆ 下出现的任务并且仅当至少 10 个任务满足此标准时才保留模式。这在 SpreadsheetBench 上产生 18 个 harness 专属模式USPTO 上 6 个AppWorld 上 4 个§G 详细说明了挖掘过程并解释了每个模式。对于每个模式其恢复率是 HARNESS-ZERO 在所选任务中表现出相同行为的比例。观察。∙∙ HARNESS-ZERO 内化了 h⋆ 贡献的行为。在表 4 的 28 个模式上平均HARNESS-ZERO 恢复了 82.3% 的 harness 专属行为。恢复涵盖记忆、技能、工具和中间件来源包括模型可见指导和可执行组件。每个模式仅在其选定的任务上评分其中基础模型在 h⋆ 下表现出该行为但在 h 下从未表现出因此基础模型在每个模式上按构造得分为 0%。因此这些恢复率衡量了蒸馏添加的行为直接证明 HARNESS-ZERO 内化了 h⋆ 诱导的行为。5 结论与讨论HARNESS-ZERO 将演化后的学生侧 harness h⋆ 转化为在固定目标 harness h 下操作的模型的训练监督。在适配的参考 harness K 指导下harness 化智能体在执行前重写学生的提议产生与 hh 兼容的训练轨迹。在三个领域agent-as-harness 在前沿模型上优于 code-as-harness平均 81.1% vs. 78.1%消融实验确定 harness 引导的审查是测试的监督来源中最有效的。在 SFT 后仅 h 下的学生将宏平均任务成功率从 23.3% 提升至 44.3%超过了使用 h⋆ 时达到的 41.7%并在 28 个模式上以平均 82.3% 的比率恢复 h⋆ 特定行为。局限。该方法依赖于有能力的 harness 化模型。对于较弱模型审查可能变得有害agent-as-harness 失去相对于 code-as-harness 的优势§F。审查每个提议还增加收集成本每一步都需要额外的模型调用处理轨迹和 K将 USPTO 平均延迟提高到 2.4×。这种开销适用于轨迹收集期间蒸馏后不存在。SFT 也可能无法完全内化 h⋆ 编码的深层领域知识。此外一些 harness 机制例如上下文管理无法开箱即用地完全表达为学生响应。因此HARNESS-ZERO 并未消除对 harness 的需求而是缩小了 harness 必须提供的范围我们预计随着 harness 蒸馏的改进最小 harness 就足够了。未来工作。Harness 化智能体经常面临反事实预测问题。它必须预测执行学生提议将如何改变环境以及干预是否会产生更好的轨迹。因此有效的 harness 化取决于对智能体-环境动力学的准确模型。一个有前景的模型级方向是训练更强的智能体世界模型 [Zuo et al., 2026]并专门化其预测能力以用于 harness 化决策。在框架层面当前设计审查每个学生提议并将干预限制为通过或替换完整响应。这会在合理提议上产生不必要的调用并仅提供粗粒度控制。未来工作可以使用代理信号选择性地调用审查并支持更细粒度的机制例如 token 插入和潜在空间引导。训练方法也可以改进。例如每个替换在相同状态下配对了一个被拒绝和一个偏好的响应因此偏好学习可以利用响应级 SFT 丢弃的比较信号。总体而言我们希望 HARNESS-ZERO 有助于为智能体 harness 和递归自我改进的新范式铺平道路。将许多领域和任务特定的 harness 蒸馏到共享模型中将使跨智能体系统开发的行为和知识积累在模型参数中而不是分散在外部脚手架中。Harness 开发随后可以成为可扩展的训练信号来源更好的模型构建更好的 harness每个 harness 将其收益返回给权重。