CoEvo-RSI: When Harnesses Evolve, Which Models Should Follow? —— 精读

论文链接：https://arxiv.org/abs/2610.25078 代码仓库：https://github.com/SuJQ0722/CoEvo-RSI；模型集合：HuggingFace CoEvo-RSI 发表时间：2026年10月（arXiv v1 提交于 2026-10-18） 机构：新加坡国立大学（一作 Jiaqi Su 所在单位）、新加坡科技研究局 A*STAR、SenseTime Group——高校主导研究、科研院所与业界深度参与的合作；作者群含 Ivor Tsang、颜水成等 agent 与机器学习方向研究者 领域标签：cs.LG、agent harness 优化、递归自改进（RSI）、模型合并（model merging）

一、论文背景

要读懂这篇论文，得先弄清两个概念：harness（躯壳/执行脚手架） 和 模型-harness 共进化。

一个 LLM agent 由两部分组成。**大脑（brain）**是语言模型本身，负责推理和选择动作；**身体（body）**是 harness，定义工具接口、动作空间、记忆机制和执行工作流——系统提示词、控制流代码、工具的输入输出 schema、上下文管理策略，都属于 harness。Claude Code、Codex CLI 这类编码 agent 产品，本质是"通用大模型 + 精心打磨的 harness"。harness 之于 agent，有点像变速箱之于发动机：发动机马力再大，齿比不对，车轮上输出的扭矩照样拉胯。

agent 的进化因此沿两条路展开。模型训练路线通过监督学习、强化学习、自蒸馏改进大脑的参数；harness 优化路线固定模型，用执行反馈迭代修改提示词、工具和控制流，或用种群进化生成、评估、重组竞争性的 harness 设计。两条路在 2026 年交汇成 模型-harness 共进化（model-harness co-evolution）：一轮共进化中，执行反馈 Ft 先指导 harness 变化，新 harness 的要求再塑造模型的下一次适配，从配对 (Ht, θt) 推进到 (Ht+1, θt+1)。

问题就藏在这个交汇处。论文识别并形式化了一个持续存在却被普遍忽视的失败模式——brain-body mismatch（脑体失配）：当演化中的 harness 要求模型尚未学过的行为，或限制模型已经具备的能力时，配对就失配了。两个具体例子：

• 接口失配：模型输出 XML 格式的工具调用，而演化后的 harness 期望 JSON——意图完全正确的调用被直接拒绝。这就像你换了台新机床，老师傅的手艺还在，但操作面板上所有按钮位置全变了，肌肉记忆全成错误。
• 能力失配：harness 引入了一个"主动上下文管理工具"，让模型决定哪些信息保留、摘要还是丢弃。不熟悉这类操作的模型用不好它；而某个历史 checkpoint θi 恰好具备相关能力，反而是更合适的适配起点。

这个问题的根源在于：harness 的演化速度和模型的演化速度不同步，且二者没有协调机制。现有共进化方法（如 HarnessForge、Co-Harness、WHALE）模型侧都默认"继承最新 checkpoint"或"继承父分支策略"——但最新不等于最兼容。失配的直接后果是：正确的意图被接口拒绝（执行摩擦）、模型能力被 harness 结构锁死（能力浪费）。论文 Figure 2 右图给了一个直观证据：十轮演化中，latest-only 路线出现 0.118% 的接口失配率（TIMR）且精度较低，而 CoEvo-RSI 把 TIMR 压到 0 同时拿到 +13.05 个百分点。

还有一个大背景值得交代：RSI（递归自改进）的实用化转向。早期 RSI 叙事追求"agent 无限制地全面自我提升"，而本文作者明确把目标收窄为 affordable domain specialization（可负担的领域专精）——用低成本让一个 9B 小模型在特定垂直领域（失败归因、SQL、智能家居）达到大模型水平。这个定位非常务实：企业要的是"高频调用、成本敏感的领域能力"，而不是全能上帝模型。9B 模型自采样、自训练的算力成本，与前沿模型的 API 账单相比几乎可以忽略。

二、论文定位和关联工作

论文的 Related Work 按三个优化目标组织文献谱系，本精读沿用这个骨架并逐一说明区别。

**谱系一：递归 harness 改进（harness 演化，模型冻结）。**ReAct 确立了推理-行动交织的范式，Reflexion 用语言反馈跨尝试记忆错误，Voyager 积累可复用的可执行技能，SWE-agent 的 agent-computer interface 研究证明"暴露给模型的操作集"本身塑造其有效性——这些是手工设计时代的奠基。之后优化目标从手工机制转向自动化：上下文（Agentic Context Engineering）、记忆（MemEvolve、MemSkill）、规划（TodoEvolve）、检索（Self-Evolving Search Index）逐组件进化；系统级的工作则联合修改提示词、工具与控制流——AutoHarness 从环境反馈合成可执行支撑代码，Meta-Harness 让提议者访问历史源码、分数与执行轨迹，Self-Harness 让 harness 自我改进，DarwinX 做自然选择式种群演化，Darwin Gödel Machine 用自指 agent 的档案让早期分支成为后续改进的垫脚石。这一谱系的共同局限：模型始终冻结，harness 演化到某个程度后，模型能力成为天花板（本文实验中 Meta-Harness/Self-Harness 在 TraceElephant 上 When 精度不足 10% 就是明证）。

**谱系二：递归模型改进（模型自进化，harness 固定或仅作环境）。**三条学习环路相关：(i) 课程自造——self-play（Absolute Zero）、面向工具的任务生成、无演示训练搜索 agent，反馈回路改变模型遇到的经验分布；(ii) 监督自蒸馏——把模型自身的改进行为变成训练目标（Latent On-Policy Self-Distillation 等），on-policy 变体使生成轨迹的分布成为学习的中心；(iii) 经验复用——SkillRL 联合演化分层技能库与 agent 策略。这一谱系忽略了：harness 决定训练轨迹中出现哪些工具、观察与执行约束——脱离 harness 谈模型初始化与适配是错位的。

**谱系三：模型-harness 共进化（双侧联合适配）。**这是本文的直接赛道：(i) 上下文与权重耦合（P2O 联合策略与提示词优化、Training with Harnesses）；(ii) 可执行 harness 与策略耦合——HarnessForge 用故障引导的 harness 裁剪加 harness 条件化的策略对齐，Co-Harness 交替验证过的 harness 补丁与轨迹微调，WHALE 交替拒绝采样微调与可执行 harness 搜索，HASE 让模型权重、harness、任务解共同演化；(iii) 执行与编辑共享学习（agent 参与自己支撑系统的演化）。论文附录 D 的 Table 10 做了最直接的定位对比——8 个方法里，没有任何一个在模型侧支持"跨代选择（Select）“或"多 checkpoint 合并（Merge）”：

定位结论：CoEvo-RSI 是共进化谱系中第一个把 双向历史继承做成显式决策 的框架——harness 侧选历史设计不必是最新一代，模型侧选/合并 checkpoint 也不必跟随 harness 的父系谱。这个"解耦两侧继承"的格子，此前的框架全部空着。

三、问题定义

论文的抽象方式很干净：把 agent 看成一个配对，把共进化看成配对序列的迭代，把失配定义为配对内部两个分量的行为漂移。

具体问题：共进化过程中，harness 每次演化都改变其执行要求（工具名、调用 schema、格式契约、工作流结构），模型的每次训练都改变其已学行为。两侧独立演化， (Ht, θt) 的兼容性随时可能破裂——模型"会"的 harness 用不上，harness"要"的模型不会。

核心洞察：接口兼容性不是模型或 harness 单侧的属性，而是配对特定的（pair-specific）属性。同一个 checkpoint 在 harness A 下失配率极高，换到 harness B 下可能是全场最低——论文 Figure 8 的 10×10 矩阵直接实证了这一点（round-3 checkpoint 在 harness 4-9 下 TIMR 高达 0.54-1.00，在最终 harness 下却只有 0.02，还拿到全程最佳 Safe-EX 80.85%）。既然兼容性属于配对而非个体，那么"下一代该继承谁"就不能只看单侧的新旧，而应该做配对级的组合搜索。

形式化：可执行 agent 是配对 p = (H, θ)，H 指定提示词、工具、状态管理与控制流，θ 是任务模型参数。约束 C 固定环境、验证器与允许接口，任务分布 ρ。目标函数：

J(H, θ) = E_{xρ} E_{τP_{θ,H}(·|x;C)} [s(x, τ)]

即在 harness H 约束的轨迹分布下最大化期望任务得分。给定任务集 D 与每任务 n_eval 次执行，用经验估计 Ĵ。问题：在逐轮共进化中，维护 (Ht, θt) 与历史档案 A<t 的前提下，通过连续的 harness-模型协同适配，保持配对兼容性并最大化 J——失配最小化不是目标本身，而是实现高分的前提约束。

论文还引入了一个诊断量：TIMR（Turn-level Interface Mismatch Rate，turn 级接口失配率）。对一组被评估轨迹，统计所有模型 turn 中"调用了不存在的工具 / 违反接口契约 / 输出格式错误"的 turn 占比（每个违规 turn 只计一次，即使后来恢复了）。TIMR 越低，接口兼容性越好。作者对这个指标的态度相当克制：TIMR 只刻画 brain-body mismatch 中"可观测接口违规"这一个侧面，不涵盖"harness 低估模型能力"这类需要任务结果才能暴露的失配——它是廉价、可从轨迹直接验证的诊断信号，不是问题的完整度量。这种诚实的范围声明值得肯定。

这个抽象的精妙之处有三点。第一，它把"harness 该配什么模型"从经验问题变成了搜索问题——档案里有 i 个 harness、j 个 checkpoint，候选配对空间是乘性的。第二，双向继承把搜索空间从"最新链"（每轮只有 1 个起点）扩展到全档案，理论上让每轮的候选从 K 个变成 K×|M| 量级。第三，它承认了演化过程的非单调性——最新一代不一定最好（Latest-only 消融在第 4 轮就回归了），所以继承决策必须面向全历史。

四、问题解法

CoEvo-RSI 的解法是一个 agent 驱动的闭环，核心角色是元 agent（meta-agent）——一个参数固定为 φ 的 LLM（实验中是 Codex 里的 DeepSeek-V4.1-Flash），带着一组角色策略 π_φ^role 操作在档案之上。整个框架的心脏是 演化档案（evolutionary archive）A<t：它记录所有历史 harness、模型 checkpoint、它们的开发过程（编辑谱系、父代、训练历史）与执行结果，且互相链接——每个设计都关联它的模型与结果。

一轮演化的流程如下（对应论文 Figure 3）：

**第一步：诊断 + 证据整理（Curator）。**当前配对 pt 在验证集 V 上 rollout，diagnose 产生反馈 Ft。Curator agent 用迭代检索策略浏览档案的元数据索引，按需读取历史记录（有预算上限），最终产出两样东西：证据 et（把历史设计与它们的实际行为关联起来）和 K 条修改假设 bt,1:K（每条假设对应一种 harness 改进方向）。Curator 的检索是一个马尔可夫过程：每一步根据当前检查历史选择下一个动作，直到停止或耗尽预算。这像一位档案管理员：先看病历（当前失败），再去库房调阅相关历史病例，整理成"什么设计在什么情况下有效"的证据卡。

第二步：harness 继承（编辑器自选起点）。K 个相互独立的编辑器各自拿到一条假设 bt,k，浏览档案，自主选择一个历史 harness 作为自己的起点（base），然后结合证据与相关历史设计开发子代 harness。关键设计：(i) 起点不必是最新一代——第 9 轮的编辑器完全可以选第 2 轮的 harness 起步；(ii) 编辑器记录 U_t,k（它实际采纳了哪些历史 harness 的设计），保留完整谱系；(iii) 多编辑器并行保证假设多样性。这一步对应类比：不是让所有工匠都在最新原型上改，而是每人根据自己要解决的问题，去仓库里挑最合适的旧型号返工。

**第三步：模型继承（checkpoint 选择或合并）。**这是本文最独特的组件。给定 K 个子代 harness，元 agent 为每个 harness 提议模型初始化：或从档案 选择 一个历史 checkpoint（one-hot 系数 α），或用 TIES-Merging 合并 多个 checkpoint——θ(α) = TIES({θj}, α)，TIES 先修剪小任务向量、解决符号冲突、再合并且符号一致的更新。提议策略 π_inherit 以历史证据 et、档案 checkpoint 索引 M<t、以及评估反馈 O（该 harness 下的任务表现与 TIMR）为条件。初步评估筛选后，验证集决定最优配对：

p̄t = argmax_{p∈Q_sel} Ĵ_V(p)

这一步的深意：选初始 checkpoint 的标准是"适配之前就能开动这个 harness"——初始化本身就是一个兼容性决策。合并则允许把"会 JSON 格式"的 checkpoint 与"会上下文管理"的 checkpoint 的能力组合起来。

**第四步：配对专属适配 + 晋升。**选定配对 p̄t = (H̄t, θ̄t) 在训练集上生成自己的轨迹，拒绝采样保留验证器接受的执行（每任务最多采 3 条、温度 1、首条被接受即停），对这些成功轨迹做一轮全参数 SFT（学习率 5e-6、batch 8、4×H100），harness 保持冻结。产出增强配对 p+t。晋升在验证集上三方比较：pt+1 = max{pt, p̄t, p+t}，子代必须以超过边际 δprom 的优势胜出才能晋级，否则当前配对续任。所有结果（包括失败的修改）都进档案——失败也是证据。

组件输入输出速览：

几个容易忽略的工程细节：元 agent 的 prompt 有严格的证据纪律（不得把全量 rollout 倒进上下文、失败先分类为 harness 可解决/模型能力受限/外部因素）；权限边界只有候选 harness 可改、禁止编码基准答案；TIMR 与任务表现并行地喂给继承决策。整套流程"agent 驱动"的含义是：所有继承决策都由 LLM 基于证据做出，没有手工规则。

五、评估指标与实验证据

实验覆盖三个刻意差异化、都需要长轨迹推理或结构化执行的垂直领域，任务是检验"共进化 + 双向继承"能否让 9B 模型逼近前沿模型。

领域 1：多智能体失败归因——给定一次失败的多 agent 运行日志，指出负责的 agent（Who）与决定性错误步骤（When）。训练 3,400 单错实例（TracerTraj 1,618 + CORRECT-Error 1,230 + AFTraj 430 + 自建 122），200 个 TracerTraj 实例做演化验证，四个基准全部留作 OOD 测试。主指标：Agent Accuracy（AA/Who）——预测的负责 agent 与标注精确匹配；Step Accuracy（SA/When）——决定性步骤精确匹配。这两个指标衡量的是截然不同的能力：Who 需要跨长轨迹的因果归属，When 需要步骤级精确定位，后者难得多。

领域 2：角色感知 text-to-SQL（RBAC）——仅当用户角色的列级/操作级授权覆盖 SQL 引用的所有表和列时才生成 SQL，否则必须拒绝。Spider 子集训练演化，BIRD 子集零训练 OOD。指标：Safe-EX（允许请求中正确执行率）、Safe-Deny（拒绝请求中正确拒绝率）、Viol. 违规率（越低越好，安全底线指标）、AC-F1（访问控制 F1）。这里"指标好看"与"指标证明主张"的区分尤为关键：只有 Safe-EX 与 Viol. 同时好，才能证明系统既没有为安全牺牲能力、也没有为能力牺牲安全。

领域 3：智能家居指令跟随（HomeBench）——把 2-10 条子指令映射为设备操作、拒绝不可行指令。指标：Success（预测与参考命令多重集合精确匹配）、F1。

**核心结果一：小模型超越前沿模型。**TraceElephant 上 CoEvo-RSI（Qwen3.5-9B 底座）Who 70.78%，比 DeepSeek-V4-Pro-0813（56.62%）高 +14.16；Who&When Pro 69.43% 超 Qwen3.8-Max（65.03%）；Who&When Hand 68.39/29.31 超 FALAT+MiniMax-2.5（66.30/25.90）。RBAC Spider 上 Safe-EX 80.85%、Safe-Deny 96.64%、违规率 1.57% 三项全部第一。HomeBench VM 成功率 75.51% 超 DeepSeek-V4-Pro（75.10%）。注意基线的量级：Artificial Analysis 智力指数上 Qwen3.5-9B 是 11 分，DeepSeek-V4-Pro 是 36、GLM-5.3 是 45——能力差 3-4 倍的模型在领域内被反超，这才是"共进化"声称的分量。

核心结果二：消融证明每个组件都有必要（Who&When Algo. 十轮）：

**核心结果三：继承矩阵（Figure 8）直接验证问题定义。**把 RBAC 运行中每个选中 harness 与全部 checkpoint 配对测 TIMR：十轮中七轮选中的恰是可用 checkpoint 中 TIMR 最低的；五轮重新选中了已有权重；后期每个派生 checkpoint 都与 round-3 checkpoint 合并；round-10 甚至回用到 round-3 checkpoint——它在 harness 4-9 下 TIMR 烂到 0.54-1.00，却在最终 harness 下低至 0.02 并取得全程最佳 Safe-EX。这张矩阵是"接口兼容性是配对特定属性"这一核心主张的最强实验证据。

**核心结果四：成本。**训练侧：默认 K=8 时一轮演化 17.48 小时、API 成本 $2.72；十轮累计采样轨迹比一次 GRPO 运行少 8.5%，实际训练样本仅其 48.3%，四基准精度反而全面更高。推理侧：Who&When Hand 上 68.39%@$0.16 vs DeepSeek-V4.1-Flash 60.34%@$3.55——高 8.05 个百分点且便宜 22 倍；RBAC Spider 上超最强基线 0.59 点且便宜 38 倍。

实验设计为什么能证明论点：其一，测试集与演化过程严格隔离（样本 ID/任务/轨迹三级查重），排除记忆污染；其二，四族基线（Direct LLM、harness-enhanced 系统、harness 演化、RL 训练、共进化）覆盖了所有单侧与双侧替代方案；其三，消融的三个变体恰好对应三个竞争假设，逐一排除；其四，作者对"RSI 还是过拟合"的自我质询很坦率：强同域 held-out 表现不等于跨域能力，本文目标是领域专精而非全能 RSI。

六、效果优势的根源解释

6.1 根源机制与证据链

因果链 1：配对级继承 → 候选空间扩展 → 跨代兼容配对可达 → TIMR 低位 + 任务精度高。baseline 的根本局限在于：它们的继承策略（最新 checkpoint / 父分支策略）把候选空间限制在演化树的"主干"上，而接口兼容性这个配对特定属性的最优解大概率不在主干上——它是 K×|M| 组合空间里的稀疏点。CoEvo-RSI 的双向历史继承没有改变"适配"这个动作本身（仍是拒绝采样 SFT），改变的是搜索的起点集合：从每轮 1 个起点扩展到全档案。证据等级：Figure 8 的继承矩阵（论文实验已支持）+ Latest-only 消融在第 4 轮回归（论文实验已支持）。反事实推理：若去掉历史继承，Figure 4 显示 Latest-only 最终 SA 落到全场最低——这条设计被消融直接反证了必要性。

**因果链 2：TIMR 诊断 → 继承决策获得廉价信号 → 无需昂贵的全量适配即可预筛配对。**如果只靠任务得分选配对，每个候选都要走完整评估（昂贵且含噪）；TIMR 从轨迹即可机械判定，把"这个 checkpoint 能不能开动这个 harness"变成可计算的先验。证据等级：论文附录 B 明确声明 TIMR 是诊断信号而非因果证明——Model-only 变体 TIMR≈0 但 SA≤35% 恰好证明接口兼容只是必要条件。作者对"低 TIMR 是否直接导致性能提升"持谨慎态度（需要受控干预才能归因），这种克制是对的。

**因果链 3：拒绝采样 SFT → 成功行为固化于被选 harness 的轨迹分布 → 领域内能力密度提升。**这里有个值得展开的机制点：SFT 的监督信号全部来自 Qwen3.5-9B 自己被验证器接受的轨迹（含早代 checkpoint 的回放重采样）——没有蒸馏、没有外部示范。9B 模型能追上前沿模型，说明大量"领域能力"原本就存在于基础模型的可激发空间里，harness 提供了激发的结构、SFT 提供了固化。证据等级：论文 Table 8（比 RL 少一半训练样本仍更高精度）支持"固化路线的样本效率"，但"能力主要靠激发而非新学"属于阅读者推测——论文未做能力来源的分解实验。

**因果链 4：解耦的双侧继承 → 演化非单调性可被恢复。**Latest-only 在第 4 轮回归后再未恢复（单链继承的僵化）；CoEvo-RSI 在第 4 轮低谷后，于第 6、8 轮复用 round-4 权重配新 harness 实现反弹。档案的存在让"退步"变成可回溯的搜索历史而非不可逆的遗忘。证据等级：论文实验已支持（Figure 4 演化曲线）。

6.2 相关工作检索与对照

围绕关键机制做外部交叉验证（基于论文 Related Work 与可确证的知识，检索范围内未发现的如实注明）：

值得注意的相反证据：论文引用的 Wang et al.（2026，可靠性综述方向）以及 HERA 等同期工作提出"harness 演化的增益能否泛化到优化中反复使用的任务之外"这一质疑。CoEvo-RSI 的回应是承认领域专精定位（OOD 测试全部限定同域 held-out），没有声称跨域迁移。这限定了优势的适用边界：换一个领域，档案、harness、checkpoint 都要重头演化。

6.3 综合判断与未决问题

得到多项研究共同支持的机制：(1) 档案式继承扩展候选空间优于单链继承——DGM（harness 侧）、WHALE（harness 程序复用）、本文消融三方一致；(2) 双侧联合演化优于任一单侧——Co-Harness、WHALE、HarnessForge 与本文消融方向一致。仍属推测的机制：(1) “能力主要靠激发而非新学”——没有能力来源分解实验；(2) TIMR 与性能之间的因果强度——作者自己也承认需要受控干预。适用条件：有可靠验证器（拒绝采样依赖它）、领域内有足量训练任务、底座模型具备可激发的领域先验。可能失效的条件：验证器不可靠的开放域任务（错误轨迹被固化）；档案膨胀后检索成本与 LLM 继承决策的可扩展性；跨 checkpoint 合并在大容量差异模型间的行为未知。

七、必要知识反推

假设一个零知识的人要完成这项工作，他最少需要掌握什么？

领域知识层。(1) agent 的 brain/body 解剖：必须知道 harness 包含哪些可分离组件（提示词、工具 schema、控制流、状态管理），否则无法定义"演化 harness"的操作对象——CoEvo-RSI 的编辑器改的是代码化 harness，不是自然语言描述。(2) 工具调用的接口契约：XML vs JSON 之争不是格式洁癖，是机器可解析性契约——不理解 turn 级接口违规就无法定义 TIMR。(3) 多智能体失败归因/ RBAC / 智能家居三个垂直领域的任务结构与评估方式——没有领域验证器就没有拒绝采样的"接受"标准。(4) checkpoint 与任务向量：知道 θj - θbase 这个差向量有语义（任务算术），才知道"合并"为什么可能成立。

方法论知识层。(5) 共进化/种群优化框架：轮次、配对、晋升、边际 δprom 这些概念来自进化计算传统——特别是"档案（archive）“与 DGM 一脉的开放式进化思想。(6) 拒绝采样 + SFT：RAFT 式训练循环——为什么 on-policy 的成功轨迹比离线示范更适配当前 harness。(7) TIES-Merging 的三步机制：修剪-冲突消解-聚合，知道何时合并会失败。(8) LLM-as-meta-agent 的 prompt 工程：证据纪律、失败分类学、权限边界——CoEvo-RSI 的元 agent prompt 长达数页，本身就是方法论产物。(9) 验证集/测试集隔离与 OOD 评估设计：防止演化过程对测试基准的隐性记忆。

工程知识层。(10) harness 的代码化实现与沙箱评估（Codex 环境、vLLM 服务、温度/上下文预算配置）。(11) 全参 SFT 的工程栈：ms-swift、DeepSpeed ZeRO-3、序列并行、4×H100 的显存预算。(12) 成本核算：API 定价、Pareto 前沿作图——“便宜 22 倍"这种主张需要可复算的成本模型。

**知识融合的关键节点。**最有创造性的一跃发生在三个节点。节点一：把"接口兼容性"从轶事提升为配对特定属性——这需要同时懂接口工程（知道违规长什么样）与组合优化（知道配对空间是乘性的）的人，才会想到用矩阵去测它（Figure 8）。节点二：把模型初始化变成 agent 的实值决策——融合了进化计算（继承）、模型合并（α 系数）与 LLM agent 决策（π_inherit）三个原本不相邻的社区知识；TIES 的作者大概没想过合并系数可以由一个浏览执行档案的 LLM 来指定。节点三：用 SFT 而非 RL 完成适配——论文作者们（多位有 RL 训练背景）清楚 GRPO/GSPO 的能力，但选择了更便宜的拒绝采样 SFT 路线并证明其在这个设定下够用，这是一个"知道全部选项后做减法"的决策。

八、论文中可以提取的通用性灵感

**灵感一：兼容性是配对属性，不是个体属性。**评估或优化一个系统时，若两个组件各自最优但联合失效，问题可能出在配对层——应该搜索配对空间而非分别打磨组件。论文证据：Figure 8 矩阵中同一 checkpoint 的 TIMR 随 harness 从 1.00 变到 0.02；Latest-only 消融失败。推广场景：微服务架构中 API 契约的版本兼容矩阵管理；人机协作中"操作员-工具界面"的重新配对评估；多模型系统中路由器-模型的组合搜索；数据库中执行计划与统计信息的适配；教育中学习者-教材表征的匹配。

**灵感二：档案化失败，让退步可回溯。**把所有中间产物（含失败）结构化存档并链接其行为证据，继承决策面向全历史而非最新状态。论文证据：round-10 回用 round-3 checkpoint 拿到全程最佳；失败结果也进档案 A<t+1。推广场景：持续学习系统防止灾难性遗忘的显式回滚点；软件工程中实验分支的长期保留与复活策略；组织知识管理中"失败项目复盘库”；自动机器学习的试错历史复用；个人决策中的"人生决策档案”。

**灵感三：用廉价可验证的代理信号做预筛，用昂贵信号做终审。**TIMR 从轨迹机械判定、成本近零，先筛掉"开都开不动"的配对；验证集任务得分（昂贵）只用于终选与晋升。论文证据：七轮选中 TIMR 最低的 checkpoint；附录 B 明确 TIMR 与任务分的分工。推广场景：招聘中的简历筛（廉价）与面试（昂贵）分层；编译器中快速类型检查与完整测试的分层验证；药物筛选中计算打分与湿实验的级联；推荐系统的召回-精排级联；代码评审的静态检查与人工深读。

**灵感四：让决策者读原始证据而非摘要分数。**Curator 与编辑器访问的是源码、执行轨迹与谱系——论文 Related Work 点明 Meta-Harness 的类似设计动机：单一标量分数或压缩反思会丢失关键证据。论文证据：档案保存 edits/parents/outcomes 三链。推广场景：管理层决策保留一线原始反馈通道；自动化运维保留完整日志而非只看告警聚合；法律检索回溯判例原文而非摘要；科研中读原始数据而非只读二手综述；产品迭代直接看用户会话录像。

**灵感五：领域专精是 RSI 的务实形态。**与其追求无界自我改进，不如在选定的垂直域内做"数据自生成 + 选择自训练 + 结构自演化"的闭环——质量目标对齐前沿、成本目标压到极限。论文证据：9B 模型三域逼近 36-45 智力指数的前沿模型，推理成本低 22-38 倍，训练成本每轮不到 $4。推广场景：边缘设备上的领域小模型生产流水线；企业高频内部任务的私有模型定制；垂直 SaaS 的自动化领域适配；机器人特定作业技能的低成本迭代；科研中"小模型+好脚手架"替代大模型 API 的经费策略。

**灵感六：解耦两侧的继承节奏。**联合演化两个互相依赖的组件时，两侧不必共享同一继承链——各自按自己的兼容性证据选起点，再在配对层汇合。论文证据：harness 编辑器选基底与模型继承选 checkpoint 是两个独立决策（Table 10 对比全为 No）。推广场景：前后端独立版本化但接口契约测试配对验证；课程与教学法分别迭代、在学习者层评估组合效果；硬件-软件协同设计中 ISA 与编译器解耦演进；团队重组中技能组与项目需求的独立演化再匹配；双臂实验设计中处理与剂量的独立搜索。

附录：读后记录

• 这篇论文与同期 HERA（harness-环境共进化）恰好互补：CoEvo-RSI 共进化"模型-harness"两内件，HERA 共进化"harness-任务环境"内外件——两篇合读能看到 co-evolution 范式在两个正交方向上的展开。
• 论文最值得反复看的是 Figure 8 的 harness×checkpoint 矩阵与附录 D 的 Table 10：前者是问题定义的实验化身，后者是定位的一句话总结。
• 代码与模型已开源（GitHub + HuggingFace collection），复现门槛主要在三域评估环境与元 agent 的 API 成本。
• 写作上的诚实点值得学习：作者明确 TIMR 的适用范围、明确"领域专精 ≠ 通用 RSI"、明确 RL 基线在个别指标（When）上反超——不回避对自己主张的不利证据。