AI自进化的现实路径
前OpenAI安全副总裁、Thinking Machines Lab联创翁荔发布新博客《Harness Engineering for Self-Improvement》，讨论AI自进化，提出一条现实路径：不一定从模型直接改写自己的权重开始，而是先从Harness开始。Harness可简单理解为模型外部的运行系统，决定模型如何调用工具、管理上下文等。DeepSeek研究员崔添翼转发并画重点，认为Harness方向的自进化和模型方向的自进化一样，都是非常可能出成果的方向，还提出Skill是Harness自进化中比较初级的一种形式，即从prompt层面进行自进化。
核心概念与自进化趋势
博客讨论的核心概念是RSI（Recursive Self-Improvement），递归自我改进。翁荔把这个问题拆得更工程化，认为在今天的AI系统里，自我改进未必只意味着模型直接改写自己的权重，也可能意味着改进训练流程等。而Harness是部署系统里最关键的一层。翁荔梳理相关研究，发现优化对象正从上下文、工作流深入到Harness本身，递进链条是：prompt→structured context→workflow→harness code→optimizer code。
优化的不同层次
第一层是Context Engineering，翁荔提到ACE和MCE两个代表性工作。ACE把上下文当成会持续更新的 "操作手册"，靠三个角色配合；MCE更进一步，把管理上下文和具体内容拆成两层优化。第二层是Workflow Design，翁荔举例AI Scientist、ADAS、AFlow，说明优化对象从单个prompt到整个Agent如何组织行动的递进。第三层是Self-Improving Harness，模型开始分析Harness的不足并提出修改。翁荔重点提到Self-Harness工作，其循环包括Weakness Mining、Harness Proposal、Proposal Validation。此外，翁荔还提到Evolutionary Search，把Harness变成可搜索对象，她特别提到DGM，实验显示其进化出来的agent效果惊人。
Harness的发展与瓶颈
翁荔认为Harness和模型训练互相强化，长期看，Harness的很多改进可能被 "内化"进模型本身。但实现RSI存在瓶颈，如评估器太弱太模糊、上下文和记忆的生命周期问题、负面结果容易被忽视、多样性坍缩、Reward hacking、长期健康和短期成功之间的矛盾等。翁荔认为人类不会被踢出循环，而是要在合适的时机和抽象层级上提供监督。现在，Harness已成为行业不可忽略的变量，同一个模型在不同Harness里可能表现出不同能力，"AI自进化更现实的工程入口是什么"将是下一阶段讨论的重点。
