Harness-Zero: Harness Distillation via Agent-as-Harness —— 精读

论文链接：arXiv:2609.24974 ｜ GitHub

发表时间：2026 年 9 月（arXiv:2609.24974v1，提交于 2026-09-21）

发表机构：北京大学（通用人工智能全国重点实验室、智能科学与技术学院）+ Google

作者：Haoran Ye、Yuxing Lu、Haonan Dong、Zhaochen Su、Guojie Song 等

关键词：LLM agents、agent harness、harness evolution、harness distillation、agent-as-harness、fine-tuning

一、从「模型」到「模型 + 脚手架」：为什么 Harness 值得单独研究

要读懂这篇论文，先得弄清一个被很多人忽略的事实：今天你用的大模型 Agent，真正决定它能不能把活干好的，往往不是模型本身，而是包裹在模型外面那一层「系统」。

论文把这一层叫做 Agent Harness（智能体脚手架）——即那些「不属于模型权重本身的、用来组织工具调用、管理上下文与状态、控制与环境交互的外部系统」。用一句通俗的话说：模型提供智能，Harness 让这种智能真正可用。

一个裸模型本身只会接收文本、输出文本，它默认无法：

• 在多轮交互之间维持持久状态；
• 执行代码、操作文件系统；
• 获取实时信息；
• 搭建运行环境、安装依赖。

这些能力全部属于 Harness 层。换句话说，Agent = Model + Harness。你看到的 Claude Code、Codex、Kimi Code，本质上都是「一个强模型 + 一套精心设计的脚手架」。

近年来，「Harness 工程」已经成为提升 Agent 性能的核心杠杆：

• 编程 Agent 的 harness 组合了 shell 访问、持久化内存的文件系统、子 Agent、后台任务；
• 科研 Agent 的 harness 组织假设生成、实验执行、证据收集的工作流；
• 更进一步，Meta-Harness 之类的自动化方法（Lee et al., 2026；Lin et al., 2026；Zhang et al., 2026）甚至能自动优化 harness 代码本身。

但问题恰恰出在这里：harness 优化改进的是「模型外面的脚手架」，而不是「模型本身」。这就引出了本文要解决的真正难题。

二、核心矛盾：进化出的专用 Harness 收益，带不进生产

既然最好的 harness 能大幅提升 Agent 表现，那是不是只要不停进化 harness 就行了？论文点出了一个被忽视的代价：

harness 的收益是「绑定在部署时的那个 harness 上」的。

原因很现实——「最好的 harness」会因领域、任务实例、乃至基础模型的不同而不同（Liu, 2026；Luo et al., 2026；Zhang et al., 2026）。一个在电子表格处理上表现出色的专用 harness，放到分子逆合成任务上可能完全帮倒忙。于是通用 Agent 面临一个两难：

1. 用一套共享 harness：为了兼容所有场景，只能放弃一部分专门优化带来的增益；
2. 为每个领域维护一套专用 harness：需要路由（routing）机制，并持续付出上下文、模型调用、工具调用和编排的成本（Chang et al., 2026；Lin et al., 2026；Zhang et al., 2025/2026）。

无论哪种选择，都没有把「发现出来的 harness 改进」真正搬进模型权重里。 脚手架永远是外挂，换个环境或模型就得重来。

为此，论文正式提出一个新任务——Agent Harness Distillation（智能体脚手架蒸馏）：

用一个「针对某领域/某实例优化过的 harness」作为训练期引导，把它所诱导出的行为蒸馏进模型参数，使得这些增益能够在一个单一固定的目标 harness 下存活下来。

这里的难点是决定性的：源 harness（进化出的专用 harness）和目标 harness（部署用的极简 harness）在「动作空间」和「可用信息」上都不一样。例如，专用 harness 可能给学生模型多挂载了 RDKit 分子校验工具、预填单元格保护中间件；而目标 harness 只有一条 execute 命令。因此，在源 harness 下收集到的轨迹，无法直接当作目标 harness 下的模仿样本——动作对不上、信息也对不上。

论文给出了一个触目惊心的对照数据：直接把更强模型（teacher）在目标 harness 下的轨迹拿去 SFT 学生模型，学生成绩纹丝不动，还是 12%（详见第七节 Table 3）。这正是「动作空间失配」的硬证据。如何跨过这道鸿沟，就是 HARNESS-ZERO 要回答的问题。

三、HARNESS-ZERO 总览：把「外挂」蒸馏进「权重」

论文的解法叫 HARNESS-ZERO，核心思想是 agent-as-harness（以智能体充当脚手架）。它分三个阶段（对应论文 Figure 1）：

阶段一：进化与适配（Evolve & Adapt）

• 在训练任务 Dtrain 上，先用现有自动化方法（如 meta-harness）进化出一个学生侧专用 harness，记作 h⋆。
• 再把 h⋆ 适配（Adapt） 成一个仅供「审查型智能体」使用的私有参考 harness，记作 K。
• 记号：h = 固定目标 harness（部署时保留的极简 harness）；h⋆ = 进化出的学生侧 harness；K = 由 h⋆ 相对 h 适配而来的私有参考 harness。

适配的精髓是「保留意图、改变作用点与受众」：

举论文里的例子：在 h⋆ 里有一条中间件 prefilled_guard，它会在学生「交卷」时直接进沙箱 diff 输入输出工作簿，发现覆盖了预填示例单元格就拒绝提交。但审查智能体不应拥有独立操作学生环境的接口（否则这种行为就蒸馏不进学生权重了）。于是适配后的 K 里，对应的 review middleware 改成：从学生可见轨迹里寻找「是否做过预填对比」的证据，如果没有，就私下提示审查智能体把这次 finish 替换成一个验证动作。

阶段二：Agent-as-Harness 轨迹收集

• 学生模型在 h 下运行，每轮先自己提出响应 yt；
• 审查智能体用 K 在响应执行前进行审查，决定 PASS（原样通过）或 REPLACE（给出最小修正）；
• 被接受的响应通过 h 执行，结果进入学生可见轨迹；被拒绝的提案和私有审查过程不进入学生可见轨迹。

阶段三：训练与部署

• 对「审查后的轨迹」做监督微调（SFT），把示范行为内化进模型参数；
• 部署时，彻底移除 h⋆、K 和审查智能体，只剩「蒸馏后的学生 + 目标 harness h」。

四、Agent-as-Harness：在响应边界上的「教练式」纠错

这是整篇论文的灵魂。让我们把它讲透。

4.1 它到底在做什么

在训练数据收集阶段，审查智能体（πH）像一个坐在学生旁边的教练，包住了学生的「响应边界」。每一轮：

1. 学生政策 πS（在 h 下运行）先提出一个响应 yt；
2. 审查智能体拿到「学生可见上下文 ct + 当前提案 yt + 私有参考 K + 自己的私有历史 r<t」，输出一个决策：
   • PASS：提案没问题，原样通过；
   • REPLACE：需要干预，给出一份在 h 动作空间内合法的完整替换响应 zt；
3. 被接受的响应 ỹt（PASS 时等于 yt，REPLACE 时等于 zt）通过 h 执行，成为下一轮上下文的一部分。

形式化地（论文式 3）：

yt   ~ πS(· | ct)              // 学生提案
(dt, zt) ~ πH(· | ct, yt, K, r<t)   // 审查决策
ỹt  = yt      若 dt = PASS
     = zt      若 dt = REPLACE
ct+1 = Th(ct, ỹt)              // 目标 harness 执行

关键约束让这套机制能变成训练数据：

• 最小化改动：能 PASS 就 PASS；非要干预时，只做「最小且连贯」的修正，尽量保留学生原提案的意图、变量名、命令结构。每个替换都是一份从当前学生可见状态继续下去的完整响应。
• 权限受限：审查智能体唯一特权是「读 K」，不能偷看隐藏答案或验证器反馈，不能访问 ct 之外的环境状态。它若想获取额外证据（比如怀疑学生提前交卷），只能通过 h 提交一个动作（例如跑一段检查代码），让结果自然出现在学生可见轨迹里。这一「接地（grounding）约束」保证了审查干预是可被学生独立复现的。

4.2 一句话类比：教练 vs 手册

论文把两种范式放在一起对比，这里给一个直观类比：

• Code-as-Harness（以代码充当脚手架） 像发给学生一本写死的操作手册：手册（h⋆ 的代码）直接裹在学生外面，既规定动作、又负责执行 yt。它把「模型应该如何行动」的假设写死在代码里。
• Agent-as-Harness（以智能体充当脚手架） 像旁边坐了一位教练：教练（πH）读着参考要点 K，逐条审查学生的每一份提案，判断「现在该不该插手、怎么插手」，只在必要时给出最小修正。

更妙的是，论文指出 code-as-harness 有个致命弱点：代码 harness 把「模型该如何行动」的假设固化了，随着模型能力变化，这些假设会过时，必须为每个新模型重新适配（Liu, 2026；Qian et al., 2026）。而 agent-as-harness 把这种适配搬进了推理过程——审查智能体结合当前轨迹解读 K 并决定何时干预，于是同一份 K 可复用，且「更强的审查模型」会直接提升干预质量。论文预期：随着基础模型越来越强，agent-as-harness 相对固定 code harness 的优势会持续拉大（前提是审查模型本身够强，详见第八节）。

五、从审查轨迹中学习：SFT 与「推理遮罩」

阶段三的学习目标很清晰：在目标 harness 下做模仿学习（imitation learning），对审查轨迹里所有被接受的响应（无论 PASS 还是 REPLACE）施加 SFT。

但这里有一个工程上的坑：REPLACE 产生的替换响应，是在「私有审查上下文」里写出来的，它可能不小心带上「审查者视角」的口吻——比如写着「这个提案应该被改写为……」「我（教练）决定通过」。如果直接拿来训练学生，会让学生学会一种奇怪的、第三方视角的自言自语。

论文的解法是 mask（遮罩）掉这类审查者视角推理的 token，不计入 loss（§D 给出了具体的过滤规则与正则模式，覆盖 proposal/proposed/draft/review 等词汇）。背后的理念是：训练学生时，它必须用自己的第一人称口吻、基于自己可见的证据来表达。被遮罩后的替换响应，看起来就像「学生自己发现了错误、自己纠正了方向」。

于是部署时，系统就是 (π̂θ, h)——只有蒸馏后的学生 + 目标 harness h，没有 h⋆、没有 K、没有审查智能体。训练目标就是让 π̂θ 在 h 下复现 h⋆ 所诱导出的行为模式。

需要强调：本文的审查与修正发生在**「响应（response）粒度」**——PASS 原样通过，REPLACE 替换整份响应。这与第六节将要讨论的「token 级修正」是正交的两种精度，但共享同一核心原则（见第六节）。

六、相关工作交叉验证（WebSearch）

为了让读者判断 HARNESS-ZERO 的「新」究竟新在哪，我用检索交叉验证了三类相近工作，并明确区分「方法相似」与「结论相近」。

6.1 蒸馏家族：知识蒸馏、On-Policy 蒸馏与 DAgger

（1）知识蒸馏（Knowledge Distillation） 是 Hinton 等人提出的经典范式：用大模型（teacher）的输出分布去监督小模型（student）。但标准离线蒸馏有个老问题——暴露偏差（exposure bias）：训练时学生看到的是 teacher 强制出的状态分布，推理时学生自己一步步生成，一旦走偏就进入训练时没见过的状态，错误会累积。

（2）On-Policy 蒸馏（OPD） 是直接相关的近亲。根据 VERL 文档与 EmergentMind 的综述，OPD 的核心做法是：让学生从自己当前策略采样 rollout，再由 teacher 在这些「学生实际会访问到的状态」上提供逐 token 的监督。它把 on-policy RL 的「训练/推理状态对齐」与 KD 的「稠密监督」结合，理论上能把多步推理的复合误差从 O(εT²) 降到 O(εT)（ε 为每步错误率，T 为序列长度）。

（3）DAgger（Dataset Aggregation，Ross, Gordon & Bagnell, 2011） 是这一思想的鼻祖级方法。它要解决的是行为克隆（behavior cloning）的分布偏移 / 协变量偏移（covariate shift）问题：训练时学生只见专家状态，部署时一点点小错把它推到专家从未访问的状态，错误随步数复利式累积（compounding error），长程任务里尤其致命。DAgger 的迭代方案是——先行为克隆，再用当前学生策略在环境中 rollout，把学生真正访问到的状态送给专家标注正确动作，聚合回数据集重新训练。其理论遗憾界随 horizon T 线性而非二次增长，是首个在序贯决策下有无悔保证的模仿学习算法（参考 roboticscenter.ai 的 DAgger 词条）。

方法相似点定位：HARNESS-ZERO 的 agent-as-harness 本质上是一种**「harness 层面的 DAgger 式 / on-policy 式交互模仿」。它不从「学生之外」灌入 teacher 轨迹，而是从学生自己的轨迹出发**，在每个状态（响应边界）上由审查智能体给出最小修正——这正是 DAgger「在 student 实际访问到的状态上标注正确动作」与 OPD「在学生诱导出的状态上训练」的同一原则。差别在于：DAgger/OPD 多在 token 或状态级提供监督，HARNESS-ZERO 在响应级提供 PASS/REPLACE，并额外要求修正必须落在目标 harness 的动作空间内。可以说，本文把「on-policy 纠正」从通用序列生成推广到了「跨 harness 动作空间迁移」这一新场景。

可核验链接：

• DAgger 词条：https://www.roboticscenter.ai/en/glossary/dagger
• On-Policy Distillation（VERL）：https://verl.readthedocs.io/en/latest/algo/opd.html
• On-Policy KD 综述（EmergentMind，明确连接 DAgger）：https://www.emergentmind.com/topics/on-policy-knowledge-distillation

6.2 Harness / Agent 训练迁移类工作：区分「改进 harness」与「把 harness 蒸馏进权重」

检索到几篇与「harness 训练/迁移」相关的论文，需逐一区分：

• Self-Harness（Zhang et al., 2026，arXiv:2606.09498）：提出「让 Agent 自己改进自己运行的 harness」，迭代循环为 Weakness Mining（从轨迹挖模型专属失败模式）→ Harness Proposal（生成最小且多样的 harness 修改）→ Proposal Validation（回归测试通过才接受）。它在 Terminal-Bench-2.0、AppWorld 等上把模型专属 harness 越改越好。方法差异：Self-Harness 的终点是「更好的 harness 本身」，仍然依赖外挂；HARNESS-ZERO 的终点是「把 harness 行为内化进权重并彻底移除外挂」。两者共享「harness 是值得被优化的第一公民」这一世界观，但目标相反（一个改脚手架，一个消脚手架）。

• Agentic Routing / Agent-as-a-Router（arXiv:2607.11399、arXiv:2606.22902）：这是任务中提到的「Agent Routing」一脉。它们研究的是在 harness 状态条件下做 step 级模型路由（把每个子任务派给最合适/最省的模型），并强调「每次路由决策天然产生一条带环境标签的数据记录，形成 harness-native 数据飞轮」。目标不同：它们是成本/能力调度问题，不是把某个 harness 蒸馏进权重；与 HARNESS-ZERO 没有方法继承关系，只是同处「harness 作为系统核心」这一大趋势下。

• Co-Harness（arXiv:2607.22688）：联合优化 harness 与模型权重——用 LLM 批评者（HarnessCritic）从失败轨迹归因、提局部 diff，再用改进后 harness 生成的高质量轨迹 SFT 模型，形成「harness 越好→轨迹越好→模型越强→暴露新瓶颈」的正反馈。方法最相近，但论文在 Related Work 里明确点出关键差别：Co-Harness 等「模型—harness 联合优化」工作，其收益仍可能与 harness 绑定；而 HARNESS-ZERO 用临时审查智能体引导、最终把行为蒸馏进权重，部署时不留 harness 也不做路由。此外 Co-Harness 也承认存在「Harness Debt」（训练时依赖补偿性脚手架，测试时无 harness 会掉点），而 HARNESS-ZERO 恰好是冲着消除这种 debt 去的。

• OPHSD（Zhao et al., 2026，arXiv:2605.08741，论文引用 [57]）：「On-policy harness self-distillation」，把顺序 draft–verify / plan–solve 工作流产生的特权输出蒸馏进独立模型。精神最近，可视为 HARNESS-ZERO 的前身式证据；但 OPHSD 只覆盖单一机制、不涉及交互式 Agent 循环，HARNESS-ZERO 则给出了「完整工具使用型 Agent harness」的通用蒸馏方法。

• EvoHarness-RL（Ning et al., 2026，arXiv:2608.05446）：最早在 ALFWorld 上给出 harness 内化证据（训练出的 Agent 学会管理外部状态、减少 harness 调用），但部署时仍保留外部工作区。HARNESS-ZERO 在「部署即移除」这一点上更彻底。

6.3 相近结论：DAgger 的分布偏移，与「整段模仿会破坏模型—harness 适配」

最值得强调的是一篇直接佐证 HARNESS-ZERO 核心结论的同期工作——Salesforce AI 的 Co-Evolving Harnesses and Models: On-Policy Correction Helps Weaker Models Catch Up Where Imitation Fails（arXiv:2609.09134）。它的发现几乎与本文互为镜像：

• 先为弱模型进化一个 harness，再让强专家在该 harness 下生成完整轨迹去微调弱模型——结果在 7 个企业任务上全面回退 4–30 分（即便同样做法在「未进化 harness」下是有益的）；
• 归因是**「模型—harness 适配被破坏」**：弱模型照搬了专家的规划策略，却没有执行它的能力，于是与「围绕自身原生规划风格进化出来的 harness」不再匹配；
• 解法是 on-policy 专家纠正：让一个元级智能体定位弱模型自己 rollout 里出错的那一回合，只让专家重写那一回合，保留模型原本的规划分布。

这与 HARNESS-ZERO 的消融（Table 3）结论高度一致：直接 SFT teacher 轨迹 → 12%（动作空间失配，学生疯狂尝试不可用的 harness 工具直至耗尽回合）；而**「在学生自己轨迹上、由 harness 引导的最小修正」**→ 30%。两者共同指向同一个根因——DAgger 式的分布偏移：当监督来自「专家/源 harness 实际走出的轨迹」而非「学生自己会访问到的状态」时，整段模仿会把学生推离它本来的分布，破坏它与目标环境/目标 harness 的适配。HARNESS-ZERO 用「响应边界上的 on-policy 最小修正」解决，Salesforce 那篇用「定位失败回合、只重写那一步」解决——方法不同，结论同源。

关于任务里提到的「token 级修正」：严格说 HARNESS-ZERO 做的是响应级修正（REPLACE 整份响应），比 token 级更粗；但它与 OPD/DAgger 的「token 级/状态级监督」共享同一底层原则——纠正必须发生在学生实际走过的状态上，而非对专家轨迹的 wholesale 模仿。把「token 级修正」理解为「在 student 自身体验的局部做最小干预」这一家族思想的代表即可。

七、实验结果：数字说话

论文在三个领域评测：电子表格知识工作（SpreadsheetBench Verified）、多应用工具使用（AppWorld）、科学推理（USPTO 逆合成）。目标 harness h 是一个极简的 mini-SWE-agent（固定 system prompt + 单个 Bash execute 工具）。蒸馏实验以 Qwen3.5-9B 为基础模型，GPT-5.6 Sol 担任审查智能体，harness 进化用 Kimi K3（Kimi Code）。训练为 LoRA SFT（Tinker recipe，rank 32，2 epoch）。

7.1 推理期：Agent-as-Harness 胜过 Code-as-Harness（无需训练）

表 1 在 GPT-5.6 Sol 与 DeepSeek-V4-Pro 两个前沿模型上，变化两个因素：是否有进化出的 harness、以及它「以代码包裹学生」还是「以审查智能体审查学生」抵达。

结论很清晰：有进化 harness 时，agent-as-harness 平均 81.1%，超过 code-as-harness 的 78.1%；而光有审查、没有 K（空 K 仅 69.2%）说明「审查本身」贡献很小，增益来自 harness 引导的审查。此外 agent-as-harness 还有「跨模型更新更自适应」的好处：code harness 把模型行为假设写死、易过时，agent-as-harness 把适配搬进推理、随更强审查模型直接变好。

7.2 蒸馏后：移除外挂，反而更强

表 2 是本文最重要的结果。所有设定都用 Qwen3.5-9B，区别在部署时挂不挂 harness：

• HARNESS-ZERO 把宏平均从 23.3% 拉到 44.3%，相对提升 +90.1%；
• 它不仅超过基础模型，还超过了「挂载着原 harness h⋆」的 41.7%——也就是说，蒸馏进权重后，连那个专用外挂都不需要了，反而更好；
• 两个通用 harness（DeepAgents、Claude Code）对这个 9B 模型反而有害（15.9% 甚至低于裸 h 的 23.3%），因为 9B 模型撑不起它们更大的通用工具集和超长上下文，而 USPTO/AppWorld 需要的是 h⋆ 里那种领域专属工具与约束。

7.3 消融：什么才是有效的监督信号

表 3（USPTO）逐一替换「训练轨迹来源」，结论极具说服力——有效监督来自「harness 引导的 on-policy 审查」，而不是更强的示范本身：

几个反直觉但关键的发现：

• 更强模型的直接轨迹毫无用处（52% 收集成功率 → 12% 测试），因为动作空间失配，学生疯狂尝试不可用的 harness 工具直至耗尽回合；
• 收集成功率高 ≠ 蒸馏价值高：给 oracle 答案让收集成功率飙到 98.6%，但蒸馏后只有 15%——oracle 访问诱使出不可泛化的捷径式修正；而 K 不含任何任务答案、收集成功率仅 59.4%，却蒸馏出 30%。
• 这再次印证第六节：必须从学生自己的轨迹出发、把 harness 引导翻译为与其当前状态兼容的修正。

7.4 行为内化：28 个模式，平均恢复 82.3%

表 4 把 h⋆ 里工具/中间件/记忆/技能诱导出的行为，翻译成轨迹探测器，挑出「基础模型只在 h⋆ 下、在 h 下从不出现」的 28 个模式（SpreadsheetBench 18 个、USPTO 6 个、AppWorld 4 个），测 HARNESS-ZERO 在这些任务上是否复现该行为。结果平均恢复率 82.3%，覆盖记忆、技能、工具、中间件四类来源。例如 SpreadsheetBench 的「先检查再编辑」（100%）、「保护预填单元格」（92%）、「写计算后的字面值而非公式」（90%）；USPTO 的「先用 RDKit 解析产物」（100%）、「用 RDKit 校验每个结构」（100%）、「SMILES 规范化」（100%）。

一个细分结论（Obs.❸）：程序性 harness 行为比深领域知识更容易内化。SpreadsheetBench 与 AppWorld 上，HARNESS-ZERO 在仅用 h 时就反超了 h⋆——因为它们的 harness 主要编码「状态检查、定向修改、验证」等可直示范的程序；而 USPTO 上 HARNESS-ZERO（30%）虽远超基础模型（12%），仍落后于 h⋆（38%），因为 h⋆ 还额外提供了反应先验、候选生成逻辑和可执行的 SMILES 校验——这类深层知识可能需要更广的预训练/mid-training 覆盖或更多蒸馏轨迹。

八、讨论、局限与未来

论文坦诚地列出了局限：

1. 依赖够强的审查模型。弱模型上审查会变成负担甚至有害。表 8 把 USPTO 比较扩展到更弱的模型：agent-as-harness 相对 meta-harness 的优势与模型能力强相关——在 GPT-5.6 Sol（+1.0%）、DeepSeek-V4-Pro（+4.0%）上为正，到 DeepSeek-V4-Flash（-1.0%）、Qwen3.6-35B-A3B（-12.0%）上转负。最弱模型上审查智能体激进地替换了 66% 的步骤，但净效果是有害的。可见「有效审查与干预」需要足够的底层能力。

2. 收集成本。当前设计在每步执行前都审查一次，至少每步两次模型调用（学生提案 + 审查），且审查要处理整段轨迹前缀与 K。USPTO 上 agent-as-harness 平均 237.2 秒/任务，约为 mini-SWE-agent（100.1 秒）的 2.4 倍。好在这笔开销只发生在轨迹收集期，蒸馏后部署为零。

3. 并非所有 harness 机制都能表达为响应。例如上下文管理（context management）无法开箱即用地写成学生响应。HARNESS-ZERO 不消除对 harness 的需求，而是收窄了它必须提供的东西——论文预期随着 harness 蒸馏技术进步，一个极简 harness 就够用。

未来方向也很有想象空间：

• 把审查智能体建模为**「反事实预测」问题**——预测执行学生提案会如何改变环境、干预能否带来更好轨迹，这指向更强的 Agent World Model；
• 框架层：用代理信号选择性地触发审查（而非每步都查）、支持更细粒度机制如 token 插入、隐空间引导（latent-space steering）；
• 训练层：每次 REPLACE 在同一状态下配对「被拒响应 + 偏好响应」，天然适合做 偏好学习（preference learning），可吸收 response 级 SFT 丢弃的比较信号。

九、总结：对 AI 自进化与后训练的范式意义

把全文收束成一句话：HARNESS-ZERO 把一个「进化出的学生侧 harness h⋆」变成了「在固定目标 harness h 下运行的学生模型」的训练监督，通过 agent-as-harness 在响应边界上把 harness 引导重写为可执行的修正，再用 SFT 把行为内化进权重，部署时彻底移除外挂。

它的三层贡献值得反复品味：

1. 提出了 agent harness distillation 这一新任务，并给出 HARNESS-ZERO 这一通用解法——把「通过 harness 优化发现的增益」转化为「在固定目标 harness 下可用的模型能力」；
2. 发明了 agent-as-harness，在学生的响应边界把优化 harness 的引导「翻译」成跨动作空间的可执行监督，使不同 harness 之间的模仿学习成为可能；
3. 用实验证明了三件事：agent-as-harness 在推理期能胜过 code-as-harness（81.1% vs 78.1%）；蒸馏后移除 harness 仍保留甚至超越其增益（44.3% vs h⋆ 的 41.7%）；蒸馏模型能恢复 h⋆ 专属行为（28 个模式平均 82.3%）。

放到更大的图景里，这篇论文呼应了当下「AI 自进化 / 后训练（post-training）」的核心命题。今天的 harness 工程已经能自动进化出领域专属脚手架，但这些增益碎片化地散落在各种外部系统里。如果能在后训练阶段，把众多领域/任务专属 harness 各自诱导出的行为与知识，蒸馏进一个共享模型，那么 agent 系统之间积累的经验就不再被困在外部脚手架中，而是沉淀进模型权重——harness 开发本身成为一种可扩展的训练信号：更好的模型造出更好的 harness，每个 harness 又把它发现的增益返还给权重。这正是一条通往「递归式自我改进（recursive self-improvement）」的新范式路径。

当然，路才刚开头：审查模型的能力门槛、收集成本、深层领域知识的内化瓶颈，都是下一步要啃的硬骨头。但至少，HARNESS-ZERO 已经把「外挂」与「权重」之间的那道墙，凿开了一个可通行的口子。

参考资源

• 论文：https://arxiv.org/abs/2609.24974 ｜ 代码：https://github.com/metaevo-ai/harness-zero
• 交叉验证文献：DAgger（roboticscenter.ai）、On-Policy Distillation（VERL）、Self-Harness（arXiv:2606.09498）、Agentic Routing（arXiv:2607.11399）、Co-Harness（arXiv:2607.22688）、On-Policy Correction 同期工作（arXiv:2609.09134）、OPHSD（arXiv:2605.08741）。