翁荔新博客：Harness工程是实现AI自进化的现实路径
翁荔认为AI自进化的近期突破口在Harness（模型外部系统）而非模型本身，模型可通过优化工具调用、上下文管理等实现递归自我改进。
翁荔提出AI自进化更现实的路径是让模型优化自己获得答案的方式，即通过改进外部运行系统Harness（模型调用工具、管理上下文、拆分任务等）来递归提升能力，而非直接改写模型参数。
正文摘录
前 OpenAI 安全副总裁、Thinking Machines Lab 联创 翁荔 ，又发新博客了。 这篇博客题为《Harness Engineering for Self-Improvement》。 其中， Harness 可以简单理解为模型外部的运行系统，决定模型如何调用工具、管理上下文、读写文件、拆分任务、调用子 Agent、验证结果，以及从失败中复盘。 他还提出，Skill 就是 Harness 自进化中比较初级的一种形式：从 prompt 层面进行自进化。 翁荔这篇博客讨论的核心概念，是 RSI（Recursive Self-Improvement）， 递归自我改进 。 这个概念最早带有很强的 AGI 色彩，指的是一个智能系统能够改进产生自身智能的机制，从而产生更强的后继系统。 它也可能意味着，模型改进训练流程、研究流程和部署系统，进而帮助下一代系统在真实任务中表现得更好。 但在翁荔看来，Harness 已经不只是早期 Agent 框架里的几个模块，而是更接近运行时和软件系统设计。 它决定模型如何观察环境、如何行动、如何管理上下文、如何保存状态、如何评估结果，也决定模型能不能在一个长任务里持续迭代。 所以她的判断是：近期更可行的自进化路径，可能并非模型直接重写自己的大脑，而是 模型开始优化自己获得答案的方式 。 递进链条是：prompt → structured context → workflow → harness code → optimizer code。 ACE（Agentic Context Engineering），把上下文当成一本会持续更新的「操作手册」，而不是一段越堆越长的提示词。