从 Harness 设计模式到递归自我改进：AI 工程进入新阶段

当 Agent 开始优化自己的脚手架时，AI 工程进入新阶段。基于 Lilian Weng 2026 年前沿综述，从 Harness 设计模式到递归自我改进的路径已清晰。模型改进 Harness 不直接改写权重，而是构建 Agent 运行时的三个基石：工作流自动化、文件系统持久记忆、子 Agent 与后台任务。上下文工程、Prompt 进阶与安全及五层成本优化体系，将大模型落地为可用产品。

递归自我改进的 Harness 路径

递归自我改进（RSI）拥有清晰的历史脉络与近期发展路径。早期 RSI 主要聚焦于模型权重直接修改，而当前路径转向通过 Harness 实现改进。Harness 作为模型改进的核心机制，避免直接改写权重，转而优化 Agent 的运行环境与支撑系统。

这一转变让自我改进变得更可控且模块化。Harness 提供结构化的改进框架，让 Agent 能够在不触碰核心权重的情况下逐步提升能力。近期路径显示，Harness 已成为 RSI 从理论走向实践的关键桥梁，通过持续优化外围系统实现整体性能跃升。

这种方法降低了改进风险，同时为大规模部署提供了可扩展性。基于当前综述，Harness 路径正成为 AI 工程的主流方向，推动 Agent 从被动执行转向主动进化。

工作流自动化：Agent 运行时基石

工作流自动化构成 Harness 三大设计模式之一，直接支撑自我改进系统。Agent 通过自动化工作流实现任务分解、执行监控与结果反馈的闭环。这一模式让改进过程不再依赖人工干预，而是由系统自主驱动。

在自我改进场景中，工作流自动化负责调度改进任务的先后顺序与资源分配。Agent 可以根据当前性能指标自动触发优化流程，例如重新设计提示模板或调整工具调用逻辑。自动化确保每次改进都记录在案，形成可追溯的演化轨迹。

这一基石还支持并行实验，让多个改进分支同时运行并择优保留。工作流自动化因此成为 Harness 中最基础的支撑层，为后续的记忆机制与子系统提供统一调度框架。

文件系统持久记忆机制

文件系统持久记忆是 Harness 的第二个核心基石。它让 Agent 突破单次对话的限制，将关键信息、改进记录与知识片段长期保存。不同于临时上下文，文件系统提供可靠的磁盘级存储，确保记忆在重启或长时间任务中不丢失。

在自我改进过程中，这一机制记录每次 Harness 调整的前后对比、失败案例与成功模式。Agent 可以随时查询历史文件，提取有用模式用于下一次优化。持久记忆还支持版本控制，让改进路径像代码仓库一样可回滚。

文件系统同时作为知识库，存储外部文档、用户偏好与领域数据。通过结构化目录与索引，Agent 能高效检索所需信息。这一设计极大提升了自我改进的连续性，使 Harness 系统具备真正的长期演化能力。

子 Agent 与后台任务设计

子 Agent 与后台任务构成 Harness 运行时的第三个基石。主 Agent 可以动态生成子 Agent，委托特定改进任务或监控工作。这些子 Agent 独立运行，专注于单一领域优化，例如 Prompt 调优或工具集成测试。

后台任务则负责持续运行的监控与维护工作。它们在主流程之外异步执行数据收集、性能评估与自动修复。这样的设计让自我改进不阻塞正常业务，同时保持系统全天候进化。

子 Agent 之间还能形成协作网络，通过消息传递共享改进成果。后台任务则提供定时触发机制，例如每日性能审计或周期性 Harness 更新。这一基石让整个系统呈现出分布式自我改进的特征，显著提升了扩展性与鲁棒性。

上下文窗口与溢出处理策略

上下文窗口是 AI 的工作记忆。窗口构成可通过可视化方式展示，拖动操作能模拟溢出效果。主流模型的容量存在明显差异，从几千到百万 token 不等，对比显示更大窗口带来更强连续性但也增加计算开销。

当上下文溢出时，有三种处理策略：直接截断、摘要压缩与选择性保留。每种策略各有利弊。

直接截断操作最简单，直接丢弃最早内容，优点是速度快、实现成本低，缺点是丢失早期重要信息，可能导致连贯性下降。

摘要压缩通过模型生成浓缩版本保留核心含义，优点是信息密度高、节省空间，缺点是摘要过程可能引入偏差，且需要额外计算资源。

选择性保留根据相关性评分保留关键片段，优点是针对性强、重要信息留存率高，缺点是评分机制复杂、可能误判相关性。三种策略可视化对比显示，选择性保留在多数复杂任务中表现最佳，但需结合具体场景权衡。

Prompt 进阶、安全与五层成本优化

Prompt 进阶技术让交互更精准高效。通过结构化模板、链式思考与角色设定，Prompt 效果显著提升。安全防护则覆盖提示注入防御、输出过滤与边界检查，确保系统在开放环境中稳定运行。

Agent 设计与工具调用是落地关键。Agent 需要清晰定义感知、决策、行动循环，工具调用接口必须具备错误处理与重试机制。这些设计直接影响 Harness 自我改进的效率。

五层成本优化体系为大模型产品化提供系统路径。第一层是提示优化，通过精炼输入减少 token 消耗；第二层是模型选择，根据任务复杂度匹配合适容量；第三层是缓存机制，重用历史计算结果；第四层是并行处理，提升吞吐降低单次延迟；第五层是监控与动态调整，根据实时指标自动切换策略。

这一体系将理论能力转化为可用产品，平衡性能、成本与可靠性。结合上下文工程与安全措施，大模型得以在实际场景中稳定部署，推动 AI 工程从实验阶段走向生产环境。

Harness 与递归自我改进的结合，正重塑 AI 系统开发范式。未来 Agent 将通过持续自我优化实现能力跃升，而支撑这一切的，正是精心设计的运行时基石与工程体系。