论文 1 链接：Self-Evolving Agent Harness (arXiv:2610.18813) 论文 1 代码/长报告：github.com/zgcagi/Harness-RSI（含 66 页伴随技术报告，持续更新） 论文 2 链接：SpecAgent: Trajectory-Level Speculation with Semantic Verification for Tool-Using Agents (arXiv:2610.21463) 论文 2 代码：github.com/LARK-AI-Lab/SpecAgent 发表时间：2026 年 10 月（两篇相隔两天） 机构：论文 1 为中关村学院 + 中关村人工智能研究院 + 中国科学技术大学（研究院+高校，无企业）；论文 2 为 HKUST(GZ) LARK + 寅望（Yinwang，企业）+ 剑桥大学 + HKUST（企业+高校合作，一作与通讯作者跨校企） 领域标签：cs.AI / cs.CL，智能体基础设施与推理经济性

合读引言：为什么把这两篇放在一起读

把一篇 66 页的理论框架长文和一篇带四基准实测的系统论文放在一起读，是因为它们回答了同一个问题的两个面：当代智能体的能力越来越不只住在模型权重里，而是住在模型外面的软件脚手架（harness）里——那么这块空间该怎么管？

• Self-Evolving Agent Harness（下称 Harness RSI）回答的是治理问题：如果让 harness 自己进化（改提示、改记忆、改工具、改工作流），什么条件下这样的进化是可靠的？它给出了第一个操作定义、第一份分类学、第一套条件化理论。
• SpecAgent 回答的是经济问题：harness 里的协作协议改一下——强模型从每步的作者变成草稿的审稿人——能省多少钱、质量掉多少？它给出了可验证的成本模型与逐项资源核算。

一个定义『harness 如何可靠地进化』，一个示范『harness 层优化能省多少钱』。两者合起来，勾勒出 harness 工程从手工作坊走向学科的两条主线：可靠性与成本。

一、论文背景：模型之外的智能体

1.1 Harness 是什么

当代 LLM 智能体并不是一个裸模型。模型外面裹着一整层软件：系统提示与工具描述（上下文构建）、检索与记忆（跨会话保存信息）、工作流与子智能体调度（任务分解）、沙箱与权限（执行边界）——论文 1 沿用 DeepSeek-AI 的 model–harness 分解，把这层软件统称为 harness，并枚举了七类运行时功能：agent 循环与执行控制、工具/技能编排、上下文构建、记忆与状态管理、上下文压缩、调度协调、执行基础设施。形式化地，执行产生轨迹并由评估器打分：τ∼Run(M,H,E)，y=J(τ)。模型 M 是引擎，harness H 是整车其余的一切。

类比：模型是发动机，harness 是变速箱、方向盘、导航和刹车系统。同样的发动机装在不同车上，驾驶表现天差地别——这就是为什么同一个 GPT/Qwen 模型接上不同脚手架后 benchmark 分数能差出几十个点。

1.2 为什么研究权重冻结下的进化

部署后任务和环境会变，智能体需要持续适应。适应有两条路：改权重（再训练、新 checkpoint）或改 harness（提示、记忆、工作流、工具）。论文 1 给出聚焦后者的三个理由：

1. harness 直接塑造固定模型的行为，可复用流程能保留任务约束与早期失败教训；
2. 改 harness 复用现有部署——不用重训、不用新 checkpoint，甚至可以通过专有 API 更新而无权重访问权；
3. harness 可直接检查——指令、记忆、代码支持版本比对与变更追踪，而归因两个模型 checkpoint 的行为差异需要额外受控实验。

但现状是方法爆炸、术语混乱：Reflexion 式经验积累、Agent Workflow Memory 式流程提炼、AFlow 式工作流搜索、Voyager 式技能库……每家自说自话。更麻烦的是，经验性选择（在某个任务集上分数更高就接受修改）本身并不保证泛化和不遗忘——这正是论文 1 要用理论补的洞。

1.3 另一面：harness 协作的成本账

论文 2 从成本侧切入。前沿智能体的任务轨迹越来越长：MCP 真实工具服务 20–30 轮、τ2-Bench 客服 30–80 轮、商业工作流 40–60 轮、生活服务 50–100 轮。惯例是一个强模型逐步生成每一个动作，服务成本随轨迹长度线性增长，且被强模型逐 token 解码主导。可是仔细看这些步骤：查订单、读记录、再搜一次——大量步骤是例行操作，小模型完全能写。

已有的分工方案都没动根本：路由器（RouteLLM、FrugalGPT、Hybrid LLM）按查询选模型，协作智能体（AgentCollab）按步交接——但每一步仍由某个模型从零写；投机动作方法（Speculative Actions）让小模型猜、但保留草稿的条件是它与强模型自己的选择匹配，强模型仍要逐步生成参照步。于是论文 2 问出那个关键问题：强模型能否审阅弱模型起草的多步草稿、保留其中有效的部分，而不是亲自写每一步？

二、论文定位和关联工作

2.1 Harness RSI：从 RSI 祖师爷到当代技能进化

论文 1 自我定位为方向综述+立场+理论框架（无原创实验），其谱系梳理覆盖三个层面：

思想源头：Good（1965）的超级智能机器猜想、Schmidhuber（2003）的 Gödel Machine（证明治理的自我改写）、Lenat（1983）的 EURISKO（启发式自我修订）——论文把它们确认为 harness 自进化的思想前身。

解释态更新线（修订提示/记忆/任务级编排，不触碰能力实现）：GEPA 反思式提示进化、Promptbreeder 自指提示进化、Expel 经验学习、Agent Workflow Memory、Trace2Skill 轨迹蒸馏。

可执行修订线（改代码/运行时）：ADAS 整智能体合成、DGM/DarwinX 进化程序谱系、Self-Harness 补丁式受限变异、SICA 自改进编码智能体、A Theory of Reliable Self-Evolution 等同理论工作。

论文 1 的独特位置在于：别人都在做具体方法，它做的是地图——统一术语（什么算 harness 自进化、什么不算）、统一分类（改的是什么 artifact）、统一理论（进化对应 + PAC 分析）。它甚至对引用的案例做方法学批判（见第五部分），这种『连自己阵营的数字都先审一遍』的姿态在综述里少见。

2.2 SpecAgent：投机解码的智能体升维

论文 2 的定位是投机解码（speculative decoding）谱系在智能体层的延伸，但有两个关键跃迁：

跃迁一：从 token 到轨迹段。 token 级投机（Leviathan et al. 2023、Chen et al. 2023）让小模型草拟 token、大模型一次并行验证并保证输出分布无损——它解决的是『单个模型的解码速度』，与 SpecAgent 互补（可以叠加：SpecAgent 内部每个模型自己的解码仍可再投机）。已有智能体投机方法（Hua et al. 2024 的交互式投机规划、Ye et al. 2026 的 Speculative Actions、Hooper et al. 2026 的异步 I/O 投机）多数仍是单步预测、且保留草稿的条件是与强模型自己的选择一致；近期的步级批评变体（Huang et al. 2025、Zhong et al. 2026）放松了匹配，但一次只查一步、且场景限于不改变环境的搜索式任务。SpecAgent 投机的是含真实工具观测的多步段，验证一次覆盖整段。

跃迁二：从匹配到语义。 智能体任务的不同查询、查找顺序、参数选择都能通向有效解，精确匹配会把『有效但与强模型不同』的进度整个丢弃。SpecAgent 的验证器问的是『这步是否是朝任务的有效推进』，并以最长有效前缀为准——一步被拒则其后全部作废（后续步骤建立在错误前提上），这一前缀结构本身就是对轨迹依赖性的建模。

与弱强协作（AgentCollab、R2V）和级联路由的区别：那些方法里被选中的模型仍是作者；SpecAgent 里强模型只决定保留多少草稿进度、只在拒绝时生成修复。同期还有 EdgeWise（步级 RL 学会何时委派云模型，SWE-Rebench 降本至 62%）、LEASH（隐状态不确定性触发升级）等同样把『弱模型默认工作、强模型按需介入』作为默认架构的工作，共同构成 2026 年 10 月的弱强分工小浪潮——论文 2 是其中唯一把投机验证做成轨迹段粒度并配完整成本模型的。

值得注意的反例基线：论文 2 移植了 Speculative Actions 的官方发布实现到 τ2 上（附录 E），结果显示其 Pass@1 掉到 72.0（Airline）/48.5（Retail），低于 Weak-only 的 80.0/80.4——原因是发布实现里后台投机调用不经只读过滤、基于猜测的用户消息就真实执行并写进上下文，并非论文描述的有守卫设计。这个反例从侧面印证：投机的安全性设计（只读过滤、边界挂起）不是锦上添花而是生死线。

合读定位结论：论文 1 是 Harness RSI 方向的《地图》，论文 2 是 harness 协作协议设计的一个《样板间》。前者给后者这样的系统提供评估与接受的可靠性语言（SpecAgent 的语义接受本质上就是一种 admission rule），后者给前者的理论提供真实的成本/质量权衡数据。

三、问题定义：两个抽象问题

3.1 论文 1 的抽象：进化搜索何时可靠

剥掉具体场景（提示、技能、代码），harness 自进化本质是一个在线进化搜索 + 选择性接受问题：

• 给定：固定模型 M；可变异状态 X_k（harness + 技能 + 档案 + 反馈记忆）；每轮从任务分布 D_k 抽 n_k 个任务产生 rollout 批次 B_k；更新算子 Update(H_{k-1}, B_k)（含诊断、提案、评估、接受四步）。
• 求：一轮更新该接受哪个候选，使得 (a) 期望泛化——新 harness 在分布上的真实风险不比经验风险差太多；(b) 保留——旧能力不被新修改侵蚀（遗忘有界）；(c) 接受不确定性可控——以高概率保证接受的候选真的不劣于在位者。
• 约束：评估器 J 必须在可编辑面之外（候选可以改内部批评器，但不能改最终评估）。

精妙之处在于它把『自进化』从玄学拉回可判定问题：自进化 = 带持久化的反馈驱动修订生命周期，两条硬判据——(1) 用自身执行反馈算法化地构造/选择修订且保留更新机制；(2) 被接受的修订被存储并在后续运行中加载。判据把边界划得很清楚：按固定规则追加日志不算（没修订 harness），学到可复用流程、改记忆策略才算。

3.2 论文 2 的抽象：验证-生成的成本不对称

剥掉客服/外卖场景，论文 2 的本质是利用两层不对称的协作协议设计问题：

• 难度不对称：判断一步是否是朝任务的有效推进，比从零写出这一步容易（P≠NP 直觉在智能体动作空间的投影）。
• 成本不对称：自回归解码每个 token 都要把权重从显存流读一遍（memory-bandwidth-bound），而 prefill 一次权重读可以并行处理整段输入——审查 k 步草稿的显存流量成本远低于生成 k 步。

再加一个安全侧的结构洞察：动作分为可撤销（只读）与不可撤销（改状态）。错误留在历史里可恢复（删掉即可，环境未变），错误到达环境不可恢复。所以投机可以自由进行直到不可逆边界——验证恰好只需要在错误会变成永久的那一刻发生。

形式化后：弱策略 π_W 起草至多 K 步的段（只读即时执行、首个改状态动作挂起），强验证器 V_S 单次 prefill 返回 (j, r, ã)——最长可接受前缀长度、拒绝理由、可选替换动作；配套成本模型给出强模型每提交步开销比 R_u 与延迟 L_u 的闭式解。

四、问题解法

4.1 论文 1 的解法：定义—分类—理论—系统四层框架

第一层：操作定义与生命周期（如 3.1 所述）。关键澄清术语：self-evolution 指更新过程，self-improvement 指经比较确立的增益——『自进化』不承诺每次修改都有益；harness RSI 作为领域名不假设递归改进必然发生。

第二层：更新目标分类学。按被编辑 artifact 的角色（而非编程语言）分两界：

第三层：条件化理论。三个结果（均为经典结论在 harness 场景的条件化移植，作者明说）：

1. 进化对应：把 harness 搜索映射到八类进化算法结构——(1+1) 精英搜索（SICA/MCE/SkillOpt/SkillClaw）、(1+λ)（Self-Harness）、档案式程序进化（DGM/DarwinX/HGM）、重组/交叉（MCE 的 agentic crossover）、质量多样 MAP-Elites（HarnessBank）、合作协同进化（HarnessCompass）、Pareto 多目标（Meta-Harness/SkillMOO）、bandit 预算分配（HGM 的 Thompson 采样）。每个对应都标注了限度（如 HarnessBank 修改了 MAP-Elites 的父选择并加验证门，并非完整 NSGA-II）。
2. 泛化与保留界：用算法稳定性把单任务替换敏感度 β_{s,k} 与期望泛化差距联系起来（|E[R_s(H_k) − R̂_s(H_k)]| ≤ β_{s,k}，Eq.5）；对遗忘 F_{s,k} = R_s(H_k) − R_s(H_s)，在每步回归预算 ε_{s,u} 的假设下 telescope 得 F_{s,k} ≤ Σε（Eq.6）——注意回归预算是假设不是结论，且会累积。
3. 高概率接受规则：每轮至多 K 个候选、T 轮，在新鲜独立验证集 V_k（m 个任务）上算配对差 Δ̂，Hoeffding + union bound 给出同时以 1−δ 概率成立的上界（Eq.8）；只接受上界为负的候选；若评估器与目标风险差至多 η，则需 Δ̂ + √(2ln(KT/δ)/m) + 2η < 0（Eq.9）。论文特别点名：HarnessBank 用训练任务预筛、Self-Harness 复用 held-out 回归集，都缺这个独立性——保密和比较次数修正消不掉自适应依赖，要么用新鲜样本要么用自适应有效推断。

第四层：系统与社会影响。五类应用场景（个人工作区、企业自动化、科学发现、机器人、公共服务/临床）逐一分析持久化修订的传播与修复负担——例如企业共享技能库中局部 workaround 会扩散到权限假设不同的团队（算法单一文化的 harness 版）；机器人领域错误动作代码跨运动持久存在，回滚改不了已发生的形变或伤害，所以急停、力/速度限制、授权检查必须放在可编辑面之外。

4.2 论文 2 的解法：起草—验证—修复协议

SpecAgent 的完整循环（Algorithm 1）：

1. 起草（Draft）：弱模型从当前历史 H_t 起草至多 K 步。只读调用立即真实执行——每一步都基于真实观测选择，草稿有据（grounded）而非想象。段终于首个改状态动作（挂起不执行）；纯只读段满 K 步可直接提交无需审查（可逆性原则允许）。
2. 验证（Verify）：强模型单次 prefill 通读历史+整段草稿，返回三元组 (j, r, ã)：最长可接受前缀 j、首拒步骤的理由 r、可选替换动作 ã。接受是语义的——问『这步是否是朝任务的有效推进』而非『是否是强模型自己会写的那步』。拒绝后的后续步骤全部丢弃：一旦某步错了，后面都建立在错误前提上，看起来合法也不可信。
3. 修复（Repair）：多数被拒步骤只是参数/目标错了单个工具调用——验证器可以在解释拒绝时顺带给出替换动作（融合修复，零额外强模型调用）；只有修复跨多调用或替换动作未通过适配器 schema 校验时，强模型才额外生成一个纠正轮。修复是强模型自己的步骤，直接提交不再二审。

成本模型是论文的另一半贡献：在『解码受内存带宽约束』（Assumption 1）与『每任务平均接受率 p_u、步间独立』（Assumption 2）下，用更新-回报定理推出强模型每提交步的流量/时间比 R_u = (1−p)/(1−p^n)·(v/d + ρ(1−p))——随接受率从 v/d+ρ 降到 v/(nd)；延迟 L_u = R_u + κn(1−p)/(1−p^n)（κ 为弱步相对耗时）。只有弱步比强步便宜时端到端才更快；R_u 随 p_u 下降，节省集中在弱模型草稿合验证器口味的任务上。

工程细节值得一提：验证提示词（附录 D）是一份 6 节的审稿规程——要求判断基于原始观测而非助手假设、政策类突变必须指向具体政策条目、已执行只读不可因『后面会有更好的』而拒绝（观测已经真实发生，拒了也只能丢弃后续）、替换动作字段为空要花第二次强调用所以能填必须填。这实际上把论文 1 说的 admission rule 做成了一个可执行的 prompt 协议。

五、评估指标与实验证据

5.1 论文 1：没有原创实验，但做了案例审查

作为综述-立场论文，它转述并审查了两组他人数字：

HarnessOpt 案例（SpreadsheetBench 准确率，%）：GPT-5.4-nano 初始 29.89 → SkillOpt 51.60 → SkillOpt-Lite 66.19 → 仅 HarnessOpt 76.51 → HO+skill 77.58；四模型上 HO+skill 比 SkillOpt-Lite 高 5.69–11.39 个百分点。交叉点：GPT-5.4-nano + HarnessOpt + skill（77.58）超过 GPT-5.5 + SkillOpt（76.20）——小模型配好 harness 能打赢大模型配差 harness。但论文立刻限定：这证明了模型-harness 配对效应，不证明等成本下的优越性。

Everything Is a Plugin 案例：Codex 插件让智能体运行时生成工具并保留复用。首任务工具调用 13→3，但墙钟 +54.9%、tokens +15.7%（造工具有一次性成本）；累计系列显示从第二任务开始净省，五任务累计省 110,351 tokens / 22.97 秒。论文指出两份报告存在未解释的数字差异（首任务隐含增量 +6,453/+8.51s vs 累计表首行 +4,895/+6.74s），不能合并为单一成本轨迹——并给出正确的验证要求：重复运行、匹配预算、匹配任务质量才能确立插件复用的因果收益。

为什么这种『审查式转述』有证明力：论文的核心主张是『实证选择不建立泛化与保留』，而它对自家阵营案例的挑刺（数据不一致、缺匹配预算）恰恰示范了这个主张。这正是评估学上区分『指标好看』与『指标证明了论点』的活教材。

5.2 论文 2：四基准 + 边缘-云部署 + 成本模型自检

设置：弱模型 Qwen3.5-4B（单 H20，SGLang），强模型 Qwen3.5-397B-A17B（16 路张量并行）；τ2 每任务 3 轨迹、AutomationBench 600 任务 1 轨迹、VitaBench Delivery 2 轨迹；所有方法 8 任务并发同一部署（墙钟公平）。资源指标按请求 token 数从模型架构估算（FLOPs、HBM-read），并用 Nsight Compute DRAM 计数器抽查（弱模型误差 <5%）。

（HBM/墙钟为相对 Strong-only 的比例；Speculative Actions 基线在 τ2 上掉到 72.0/48.5，低于 Weak-only，且流量时间更高——其发布实现未过滤改状态的后台调用，非无损。）

关键细节数据：

• 强模型调用数骤降：Airline 13.8→3.1、Retail 13.1→3.1、AutomationBench 17.4→11.8、VitaBench 21.9→8.2——约每 7 个提交步审查 1 次。
• FLOPs 反升 30%/38%/38%/87%：省的是带宽与时间，不是算力——验证+修复占 SpecAgent 总 FLOPs 的 81–85% 但只占 HBM-read 的 39–66%。VitaBench 上验证与修复 prompt 模板互不共享前缀，每任务 prefill 约 28.4k 未缓存 token（Strong-only 仅 12.5k），1.03 PFLOP 单项就超 Strong-only 总量（0.72）。
• 成本模型预测精度：式 (6) 预测的强模型解码份额与实测在四基准全部吻合到 0.01 以内（如 Airline 预测 0.17/实测 0.17，Retail 0.30/0.30）。
• 边缘-云部署（MCP-Atlas 101 任务，本地 RTX 5090 跑弱模型 + 三家云 API 强模型）：恢复 53–75% 差距（Qwen 397B 组 59.4 vs 72.3、GLM-5 组 67.3 vs 76.2、DeepSeek-V4-Flash 组 74.3 vs 84.2），强模型输出 token 降至 36–50%，API 成本降至 59–81%；每个强 token 买到的质量比 Strong-only 里更高。墙钟不降反稳（109 vs 105–151 秒）——本地弱模型单步不比云 API 快，命题 2 的延迟项无增益可图，收益换成远程用量与账单。
• 消融（τ2 Retail，从 87.7 起）：连用户回复也审查 → 84.2；每段都审（含只读）→ 84.2 且 HBM +63–79%、墙钟 2.5–3.0×；无融合修复 → 82.5；无语义验证（退化为只接受强模型自己会走的精确步）→ 82.5 且 FLOPs +70%。
• 适用域分析：弱模型三试全对的子集上 SpecAgent 与 Strong-only 都近天花板；弱模型不可靠的子集上 SpecAgent 仍贴近 Strong-only（Airline 70.4 vs 66.7，Retail 74.2 vs 75.8）；弱模型差得多的 AutomationBench 修复变多、恢复率降到 44%——与 ρ(1−p_u) 项预测一致。

证明力评估：这套实验设计真正的亮点是完整工作点比较——把两个模型的成本都算上、把 FLOPs/HBM/GPU·s/墙钟/调用数拆成独立轴，而不是只报 token 省了多少。『质量逼近 Strong-only』与『FLOPs 反升』同时成立，正说明它精确踩中了 memory-bandwidth-bound 这个系统约束；而部署边界（H20 上 decode batch 超过约 37 序列后解码变 compute-bound、投机不再划算）论文自己写明——这是诚实的一级证据。

六、效果优势的根源解释

6.1 论文 2：为什么审稿比执笔便宜且不掉质量

因果链（每步标注证据等级）：

1. 方法差异：强模型角色从每步作者变为整段审稿人 [协议设计] →
2. 机制变化 A（成本）：解码每个 token 一次权重遍历，prefill 一次权重读处理整段——强模型解码份额从 100% 降到 17–30%（实测），且验证/修复是 prefill 为主 [论文实验已支持：成本模型预测与实测误差 <0.01；外部证据：Pope et al. 2023 的解码带宽瓶颈分析是共识] →
3. 机制变化 B（质量）：工具任务存在多条有效轨迹，语义接受保留弱模型『有效但不同于强模型』的进度，精确匹配会丢弃并重生成这些进度 [论文实验已支持：消融中去语义验证 Pass@1 −5.2、FLOPs +70%；外部证据：Liu et al. 2026 论证精确匹配对智能体过严] →
4. 机制变化 C（审查频率）：只在不可逆边界审查 → 每约 7 提交步 1 次验证而非每步 [论文实验已支持：c_v = 0.145/步；消融中每段都审反而降质 84.2<87.7——过度审查让强模型把合法探索也拒了] →
5. 指标体现：HBM 43–84%、墙钟 41–69%，质量恢复 44–100%。

外部交叉验证（检索于 2026-10-18）：

未决问题：语义接受的校准依赖验证器偏好（Assumption 2 是一阶模型）；强验证器若系统性偏好某种查询顺序，弱模型会被隐性塑形；本文未测验证器更换后的接受率漂移。

6.2 论文 1：为什么实证选择不够、理论条件才是底线

因果链：

1. 现状：harness 优化器全部在经验适应度上选择（局部精英/档案/Pareto）→
2. 根本局限：经验适应度是有限任务样本上的估计，选择压力会主动挑出『拟合了这批样本噪声』的候选——选择越多，假阳性越富集 [机制推断，论文实验未直接验证（无实验），但数学论证完备] →
3. 理论改变：把『接受』从经验比较变成带置信度上界的假设检验——Eq.8 说明要同时控制候选数 K、轮数 T 与样本量 m；回归预算 ε 的累积性（Eq.6）说明遗忘不是单轮问题而是预算记账问题 [条件化理论，假设显式] →
4. 可验证推论：复用验证任务的系统（HarnessBank、Self-Harness）实际不满足独立性假设，其报告的增益上界被低估了多少未知 [论文指认，属可复核的方法学事实]。

外部交叉验证（检索于 2026-10-18）：

综合判断：论文 1 的三条数学结论都是经典结果（Hoeffding 1963、Shalev-Shwartz 2010 稳定性、Chen et al. 2022 FOCS 记忆界）的条件化移植——它的价值不在新定理，而在把『什么时候可以相信一次 harness 更新』变成可操作的检查清单（候选数×轮数的 union 校正、验证集新鲜度、评估器偏差 η 的独立校准、回归预算记账）。多研究共同支持的是『自适应复用数据削弱统计效力』这一机制；仍属推测的是其在新 harness 进化场景的实际伤害幅度（场景依赖，未有大规模实证）。

七、必要知识反推

假设让一个零基础的人分别复现这两篇工作，最少必须掌握：

论文 1（Harness RSI）

• 领域知识层：model–harness 分解的工程现实（一个现代 agent 框架里提示/记忆/工具/沙箱各在哪）；RSI 思想史（EURISKO/Gödel Machine 到 Reflexion/AWM/ADAS）——否则分类学无从下手，也不知道 Self-Harness 与 AWM 为什么属于不同界。
• 方法论知识层：算法稳定性与泛化（Shalev-Shwartz 2010）、集中不等式（Hoeffding）与 union bound、continual learning 的记忆下界（Chen 2022）、进化算法全家谱（(1+1)-ES/MAP-Elites/Pareto/合作协同进化/bandit）——理论三件套与 EA 对应表都建立在这些之上。
• 工程知识层：智能体评估实践（时间戳任务、版本钉死、holdout 纪律）与软件治理（版本管理、 staged rollout、最小权限）——第五、六节的系统建议需要对部署现实的把握。
• 融合节点：把『harness 修订』同时看作进化算子（搜索视角）和在线学习算法（泛化视角）——这个双重视角是分类学和理论能咬合的关键洞察。

论文 2（SpecAgent）

• 领域知识层：LLM 服务栈的物理——解码为什么 memory-bound、prefill 为什么 compute-bound、KV cache 与前缀复用（Pope 2023、Kwon 2023、Zheng 2024/SGLang）；投机解码的形式保证；工具智能体的动作语义（读/写之分）。
• 方法论知识层：POMDP 建模、更新-回报定理（成本模型证明用的就是它）、配对 bootstrap 置信区间、从 token 数与架构参数估算 FLOPs/HBM 的会计学。
• 工程知识层：SGLang/张量并行部署、MoE 专家路由对 HBM 估计的影响（区间来源）、API 计费模型、提示工程（那份 6 节审稿规程是反复打磨的产物）。
• 融合节点：把『验证的语义属性』（AI 层）与『prefill vs 解码的带宽属性』（硬件层）对齐——发现这两个不对称性恰好同向，是协议成立的根本；缺任一侧都只能得到一个不省钱的审查器或一个不安全的加速器。

八、论文中可以提取的通用性灵感

1. 把昂贵资源从作者降为审稿人（角色降级模式）：只要验证比生成便宜且有独立判据，就让廉价系统执笔、昂贵系统把关并只修首错。证据：SpecAgent 强模型解码降至 17–30% 而质量近持平。推广：代码评审管线（初级工程师写+资深只审关键 diff）、医学影像初筛+专家复核、法务合同起草+合伙人审核、内容审核的分级复审。

2. 在不可逆边界设闸，可逆段放开投机（不对称风险分界）：错误留在内部状态可回滚、到达外部世界不可撤——控制点应恰好设在分界上，早了浪费审查预算、晚了来不及。证据：只在改状态动作前审查使每 7 步 1 审即可；每段都审反而降质。推广：数据库事务提交点设计、Git 的 commit/push 边界、跨境支付的冻结窗口、药品审批的临床阶段门。

3. 语义接受优于精确匹配（多解问题的验收原则）：凡存在多条有效路径的任务，用『是否有效推进』而非『是否与我的一致』做接受准则，否则合法解被系统性丢弃。证据：去语义验证消融 −5.2 分且 FLOPs +70%。推广：代码评审看意图而非实现风格、自动评分接受等价解、多智能体结果融合按目标达成度。

4. 实证选择需要新鲜证据与预算记账（进化系统的会计纪律）：在样本上反复挑最优会主动富集假阳性；接受决策要付多重比较的税，能力回退要按预算累积记账。证据：Eq.8 的 √(2ln(KT/δ)/m) 校正项与 Eq.6 的 Σε 累积；外部 Dwork/Recht/Kapoor 证据链。推广：A/B 测试平台的榜单复用治理、量化策略回测的多重检验校正、 curriculum 设计中的遗忘监控。

5. 编辑面与治理面必须分离（自改进系统的宪政原则）：可自我修改的系统中，最终评估器 J、急停、权限边界必须放在可编辑面之外；创建能力不得自动获得授权。证据：论文 1 第 2 节定义与 6.5 节安全边界。推广：自助修改的 CI/CD 流水线里保护发布审批人、可自我修订的法规体系需要修宪程序、自动做市的熔断机制独立于策略代码。

6. 成本模型先行，逐项核算验证（工程降本的闭环方法）：先建立可解析预测的成本模型（含闭式解），再实测对账（误差 <0.01），并把 compute/带宽/时延/调用数拆成独立轴——避免用单一 token 数掩盖真实瓶颈。证据：SpecAgent 发现 FLOPs 反升 30–87% 而墙钟反降，单看算力会误判。推广：任何『我们省了多少』的主张都应先问省的是哪个轴、在什么负载条件下。

加评：合读的启示

这两篇放在一起的真正收获，是看到 harness 工程正在同时长出理论与实证两条腿：

论文 1 承认自己的理论是经典结论的条件化移植，但它做的事无人做过：给一个正在爆发的方法论混沌（每月数篇 XX-Evolving 论文）立规矩——什么算自进化（两条判据）、改的东西分几类（五格分类）、什么时候可以相信一次更新（三条界）。尤其可贵的是它对自己阵营的苛刻：转述 HarnessOpt 与 EIP 案例时把数据不一致、预算不匹配全点名——一份会自我证伪的地图才可信。

论文 2 则示范了 harness 层协议设计能兑现多少真金白银：强模型调用降到 1/4 以下、API 账单打 6–8 折、边缘设备上弱模型全程本地跑而质量保住 53–75% 的差距——这些数字背后是把 AI 层语义（读/写、有效前缀）与硬件层属性（prefill/解码的带宽差）严格对齐的工程功力。它也诚实划出失效边界：FLOPs 反升、大 batch 下收益消失、弱模型太弱时修复成本吞掉节省。

一个自然的合流方向：SpecAgent 的语义接受本质上就是论文 1 所说的 admission rule 的实例——但它目前只有一阶成本模型和单点验证器。若把 Eq.8 式的置信校正（多候选×多轮的 union bound）、评估器漂移 η 的校准、以及回归预算记账装进轨迹级投机协议，『谁审稿、何时审、信多少』就有了从硬件到统计的完整答案。harness 工程的下半场，大概就在这类交叉处。

附录：关键数字速查

论文 1（转述案例，经其方法学审查）

论文 2（原始实验）