EverMind 开源 Raven V0.2.0，统一编排多 Agent 并让 Harness 自进化
Raven V0.2.0 同时做两件事：统一编排多种专业 Agent，并让 Harness 本身可被 AI 改写，使一次任务的经验能沉淀为下一次的执行策略。
EverMind 开源 Raven V0.2.0：它把 Claude Code、Codex 等专业 Agent 统一编排在上层，负责成员选择、任务拆解与依赖调度（即 The Harness of Harnesses）；同时把 Harness——承载提示、记忆、工具与决策策略的执行框架——拆成可被 AI 改写的模块，让递归自我改进发生在 Harness 层而非只发生在模型参数层。
正文摘录
.jpg) 导读｜RSI（递归自我改进）不应只发生在模型参数层：类比人类大脑的不是 LLM，而是整个 Agent。EverMind 开源的 Raven V0.2.0 为此提供了两个核心设计：为 RSI 而设计的 Harness 框架，以及统一编排专业 Agent 的 The Harness of Harnesses。在多 Agent 编排、深度研究、编码、设计与持续执行评测中，Raven 的多项结果优于同底座模型下所比较的 Harness。 递归自我改进（Recursive Self-Improvement，RSI），指 AI 系统利用执行结果与反馈，持续改进产生这些结果的机制本身。谈到 RSI，人们往往首先想到模型参数，但人类大脑给出了另一种答案：按照互补学习系统理论（CLS；Kumaran, Hassabis & McClelland, 2016），海马快速记住具体经历，皮层则通过回放与整合，缓慢沉淀出可复用的能力。因此，真正可以类比大脑的不是 LLM，而是整个 Agent：模型参数如同皮层，适合慢速巩固；由记忆、技能、提示、控制代码与决策策略构成的 Harness，则应像海马一样快速适应。RSI 同样可以、而且应当发生在 Harness 层。学术界已有不少工作探索让 AI 改写 Agent 本身，但主流的工程化 Harness 框架仍以人工编写和维护为主：提示靠人调，流程靠人写，出错靠人修。EverMind Raven V0.2.0 正是从这里出发，围绕两个核心设计理念构建。 其一，为 RSI 而设计的 Harness 框架。