论文链接：

代码仓库：

发表时间：均为 2026 年 11 月 3 日（arXiv 2611.04277v1 / 2611.05139v1） 机构：

  • Harness-S：上海交通大学（第一单位）、小红书、中关村人工智能研究院、东南大学、CMU——企业-高校合作，小红书参与共同通讯
  • Meta²：University of Maryland（一作+通讯 Furong Huang）、University of Washington、UIUC、Scale AI、All Purpose AI——高校为主加两家公司 领域标签：cs.AI——Agent harness 优化、强化学习、长程智能体

〇、为什么把这两篇放在一起读

这两篇论文同日上线、同题异构，回答的是同一个母问题的两条岔路：当 harness（提示词、工具接口、上下文与记忆机制、执行规则的集合）成为可优化对象之后，优化出来的东西应该以什么形态存在、在什么时机发挥作用？

一条岔路把演化产物固定为可复用的执行支持资源：Harness-S 离线沿不同修复方向分支出同胞 harness 池，训练期只在基础 harness 全部失败的 任务上调用池子救援，最终目标是把行为内化进 policy 本身——辅助撤掉后能力仍在。

另一条岔路把演化产物上移为可复用的决策知识：Meta² 离线不优化共享 harness，而是提炼一份何时演化/保持/避免的文本化 Meta-Skill，在线每个检查点由 evolver 结合冻结知识与当前运行证据做 KEEP/EVOLVE 决策——知识跨任务复用，编辑只作用于本运行。

论文演化产物形态发挥时机服务对象关键数字
Harness-S20 个同胞 harness 池 + 行为画像路由器训练期救援 + 推理期 Rank-1单一共享 policy（Qwen3.5-4B/9B）9B AppWorld Avg@3 62.34 vs GRPO 53.31
Meta²冻结文本 Meta-Skill + 在线 evolver运行中每 L 步检查点冻结任务模型（GPT-5.6-Terra 等）Terminal-Bench 81.00% / DeepSWE 44.44%

一条贯穿两篇的主线是：harness 进化正在从追求单一最优 harness，转向管理 harness 的多样性与其效用的非平稳性。Harness-S 的三性质（局部性/互补性/非平稳性）是经验发现，Meta² 的离线/在线分类法是理论化表述，两者都指向同一个结论：合并局部修复为通用 harness 既困难又昂贵，正确的做法是让多种执行支持以某种受控方式共存。这是理解本轮 harness 研究从静态优化走向运行时自适应的钥匙。

还有一个巧合值得点出：两篇论文的最强基线都是 Meta-Harness（Harness-S 表中 9B AppWorld Avg@3 42.88，Meta² 表中 73.33/37.33）——这个共同参照系让两篇的数字有了间接可比性，也说明端到端离线 harness 优化正是当前要被超越的范式中心。

一、题目

1.1 Harness-S: Learning from Sibling Harnesses for Generalizable Agent Training

题目里最关键的自造词是 sibling harnesses（同胞 harness）：从同一基础执行系统 H0 出发、共享执行基座（论文中是 DeepSeek Harness）与环境接口、只修改对 policy 的支持方式的变体。论文专门强调它们与完全独立开发的 harness（如 Claude Code）不同——同胞共享执行基础，分歧只在支持方式上，这使得它们之间的对比与互补都是受控的。

副标题点明目标——generalizable agent training：不是训练出离不开某个特定 harness 的 policy，而是可泛化、回到 H0 依然有效的 policy。Learning from 三个词的组合也准确：学习信号来自同胞 harness 下的执行，而学习者是那一个共享 policy。

1.2 Meta²: Precomputing Reusable Knowledge for Online Harness Evolution in Long-Horizon Agents

题目的动词结构 precomputing … for online … 就是全部贡献：把离线优化产出从共享 harness 换成可复用知识（Meta-Skill），供在线运行中的 harness 进化使用。Meta² 读作 Meta-square——Meta-Skill 之于 harness 演化，恰如 harness 之于任务执行，是上移一级的元层：一层是执行任务，一层是决定如何执行，Meta-Skill 是决定如何修改决定如何执行的那一层。

长程智能体（long-horizon agents）框定场景：终端任务与仓库级软件工程，这两类任务执行跨度长、中途证据多，是 within-run 干预最有价值的场景。

二、背景

2.1 harness 为什么值得单独优化

Agent 的行为由模型 policy 与 harness 联合决定——即使权重冻结，harness 也塑造 policy 收到的信息与其决策如何变成动作。ReAct 展示了推理与行动交错的价值，SWE-agent 证明了 agent-计算机接口设计对任务执行的影响。

此后自动化优化沿多条线延伸：

  • 指令与提示词：OPRO 用已评估解引导新提示提案，EvoPrompt/Promptbreeder 做进化式提示搜索，DSPy 把声明式调用编译为流水线；
  • 系统与工作流：ADAS 搜索代码定义的 agent 系统，AFlow 用执行反馈搜代码化工作流；
  • 记忆与技能：Reflexion 存语言反馈，Voyager 积累可执行技能，Agent Workflow Memory 从经验归纳可复用例程，ACE 演化上下文 playbook；
  • harness 整体：Meta-Harness 端到端优化 harness 代码，HarnessX 做可组合可演化 harness 铸造，Harness-R1 让编辑策略本身从其运行时修改结果中学习。

两篇论文共享这条文献脉络，且都以 Meta-Harness 为最强直接基线——这本身就是 harness 优化已成独立战场的证据。

2.2 共同的困境：离线产物的两难

两篇论文从同一困境出发，只是切入角不同。

Harness-S 的视角是训练侧。harness 优化面临两个限制：

  1. 合并难：把局部修复合并成通用 harness 极难——修复间可能有不兼容的执行要求，兼容的编辑也会互相干扰，单一累积设计可能失去各组成变体的长处；
  2. 耦合贵：harness 与 policy 耦合演化（WHALE、Co-Harness 等交替更新）需要随 policy 变化反复生成验证变体（因为早期修复对演化中的 policy 越来越没用），且演化对的收益在 policy 回到 H0 时可能不迁移。

Meta² 的视角是部署侧。离线方法产出共享 harness，有两个致命伤：

  1. 过拟合训练任务：为某个失败动机的持久编辑会过度泛化到无关任务；
  2. 无法响应运行中证据：缺失的工具只有在 agent 试图使用时才暴露，被忽略的约束可能浮现在中间产物里，一次性警告可能需要变成循环检查——预先选定的 harness 必须在暴露这些情况的轨迹存在之前就预见到它们。

在线方法（pre-run/within-run/after-run）能适应，但 within-run 进化要么每次干预从零推理（在线 token、延迟、金钱成本都高），要么依赖测试时通常不存在的验证器反馈。

2.3 Harness-S 的三性质：一份经验发现

Harness-S 在 Qwen3.5-4B + AppWorld 上系统识别出 harness 演化的三性质（论文 Figure 1）：

Locality（局部性）。harness 编辑修复一部分失败的同时在已解决任务上引入回归——四个变体 H1–H4 相对 H0 各自的修复/回归数各有正负，ΔSolved（修复减回归）在 ±15 之间波动。效果取决于被瞄准的失败，因此连续变体发展出各自的强项。

Complementarity（互补性）。同胞 harness 能互相补救对方的错误。H1/H2/H3/H4 各自单用一次 rollout 的成功率是 34.73%–37.40%，但 oracle 并集（每个各跑一次）达 65.65%，显著高于同 rollout 数下 H0 的 pass@4（44.66%）——多样执行行为带来的覆盖增益是重复采样换不来的。

Nonstationarity（非平稳性）。harness 的效用随 policy 学习而变——固定 harness 相对 H0 的 ΔSolved 在不同训练检查点间可从 +15 变到 −4，变体排名可跨检查点反转。这意味着任何一个时刻选出的最优 harness 都可能在下个时刻失效。

2.4 Meta² 的分类学：把时机形式化

Meta² 的形式化贡献是把 harness 进化按编辑选择时机与受影响执行划分为四种体制：

  • 离线（pre-deployment）：训练轨迹与结果 → 共享工件，跨目标运行；无法响应目标运行中揭示的证据；
  • pre-run（t=0）：目标指令与初始环境信息 → 即将开始的运行；无法使用执行中才涌现的证据；
  • within-run（检查点 t_k）：指令、部分轨迹、工作区、前编辑状态 → 本运行剩余部分；缺最终结果反馈，且监督本身有开销；
  • after-run（完成后）：完整轨迹与可得结果 → 下一尝试或后续任务；救不了暴露问题的那次运行，且保留的更新可能过度泛化或回归。

只有 within-run 能在证据出现的那个运行还没结束时响应它，但其决策不能依赖该运行的最终验证结果——这是 Meta² 全部设计约束的来源。论文附录的对照表把 Meta-Harness/AHE/JIT-Agent/ACE/Harness-R1/Continual Harness/PILOT/Live-SWE-agent 逐一放入这个坐标系。

三、定位和关联工作

3.1 Harness-S 在 harness-policy 联合优化谱系中的位置

Harness-S 把相关谱系分三支梳理：

harness 演化：Meta-Harness（冻结策略演化 harness）、HarnessX（可组合铸造）、Life-Harness（运行时适应）。Harness-S 的差异在于保留互补局部修复为可复用池，实现固定、画像随 policy 演化刷新。

harness-policy 联合优化：HarnessBandit 按优化器步调度单个 harness（用可学习性与跨 harness 可迁移性信号）；HarnessX 在共享回放缓冲上做跨 harness GRPO（按任务跨 harness 与 policy 版本分组）；WHALE 交替 Meta-Harness 式搜索与拒绝采样微调；HarnessForge 按分支演化配对的 harness-policy。Harness-S 的分配单位与众不同——是 H0 下的失败任务，而非优化器步或固定混合：只有全失败组才触发从当前 policy 在选定同胞上重新采样，且评估在 H0 下进行以检验辅助支持撤除后改进是否存活。

递归自改进：STOP、Darwin Gödel Machine、AIDE2、RRSI、SpecForge、SEAL 等。Harness-S 明确划界：其自改进循环作用于 policy 参数与经验选择，优化器、验证器与训练期 harness 池固定，不递归重设计改进算法本身。

3.2 Meta² 在在线进化谱系中的位置

Meta² 把自己定位为混合范式：离线学可复用知识 + 在线任务局部编辑。逐一看最近的同类：

  • Continual Harness：reset-free episode 内精炼提示/技能/记忆，且跨运行保留编辑——这是 Meta² 跨任务保留消融（81.00→78.33）直接对质的对象；
  • PILOT：监督者在环引导活跃 worker，但依赖验证器做保留选择（部署时需要验证器反馈）；
  • Live-SWE-agent：任务中自改自己的工具，可行但无预计算指导；
  • JIT-Agent：pre-run 为每个任务即时合成 harness，证据先于执行存在；
  • ACE/ReasoningBank：after-run 任务流上更新经验库。

Meta² 的组合是唯一的：离线 ✓ + within-run ✓ + 部署时不需要测试期验证器反馈（Table 6）。作者还引用了一个值得记住的分析结论：许多现有 harness 优化收益实际上是在补偿底层模型可恢复的执行缺陷——这正是 Meta-Skill 记录何时干预的知识能有跨任务价值的原因。

3.3 两篇的隐含对立与互补

值得注意的细节：两篇互不引用对方（同日上线），但互为镜像。【阅读者推测】两篇组合恰好覆盖了 harness 进化设计空间的两条正交轴：

  • Harness-S 优化的是训练时经验如何进入 policy 参数（执行支持→权重内化），部署形态不变；
  • Meta² 优化的是部署时知识如何指导运行时编辑（对比经验→文本知识复用），权重不动。

一个改权重不改 harness 部署形态，一个改 harness 不动权重——这是 LLM 系统学习中参数侧与非参数侧经典二分在 harness 语境下的重演。而两者对非平稳性的处理也成对照：Harness-S 用周期性重锚定追踪它（因为 policy 在变），Meta² 用知识冻结规避它（因为任务在变，但何时干预的知识被认为跨任务稳定）。

另一个共同点是对 DeepSeek Harness 生态的依赖：Harness-S 的 H0 就是 DeepSeek Harness（一切皆插件），Meta² 的基线组里也有 DeepSeek Harness。这个开源执行系统正在成为 harness 研究的事实基础设施之一。

四、问题定义

4.1 Harness-S 的形式化

任务 x 上，policy πθ 在 harness H 下生成轨迹 τ ～ p_{θ,H}(·|x)，验证器给出 R_x(τ) ∈ {0,1}。harness 的效用定义为该 policy 与任务上的期望成功率：

u_θ(H, x) = E_{τ～p_{θ,H}(·|x)}[R_x(τ)]

同胞池 H = {H0, H1, …, HM} 中所有变体共享执行基座、环境接口与任务验证器，使用相同 policy 参数；其相对效用随任务与 policy 检查点变化，因此需要随 policy 学习自适应的任务级选择。

要解的问题：利用效用随任务与 policy 检查点变化的特性，选择性用同胞救援 H0 失败，训练单一 policy 使其在 H0 下依然有效——即行为内化后的迁移存活。注意约束：优化器、验证器、训练期 harness 池全部固定，可变的只有 policy 参数与救援分配。

4.2 Meta² 的形式化

任务实例 ξ = (x, E_x, V_x)，含公开指令、交互环境、验证器（验证器内容与结果不必对 agent 或 evolver 可见）。任务 agent 结合冻结模型 θ 与 harness h_t 执行；evolver g 从证据 I(k) 提议编辑：

δ(k) ～ g(· | h(k-1), I(k), M)，h(k) = Apply(h(k-1), δ(k))

null 编辑即保持。M 是关于何时/如何编辑有益或有害的可复用知识（可为空）——Meta² 的全部创新就在于把这个 M 从空变成离线学来的 Meta-Skill。

要解的问题：在检查点上 evolver 只能看到活跃轨迹与许可的工作区状态、看不到最终验证结果的约束下，如何让已完成的训练运行中的经验指导新运行中的选择性编辑——既不访问 held-out 验证器反馈，也不让一个任务的修正持久化到无关任务。本质上是一个部分可观测下的序列决策：干预可以拯救失败轨迹，也可能打断 productive 工作或引入新失败，有时正确动作是不作为。离线监督也粗：一个终态通过或失败联合评估一串检查点决策，无法识别哪个编辑帮了忙、哪个有害、哪个多余。

五、解法

5.1 Harness-S：三组件救援训练管线

组件一：方向性 Harness 演化（Directional Harness Evolution）。

从 P1={H0} 开始，每轮对每个父代 H 在新鲜训练任务上执行，失败轨迹按根因分组（要求每个有效失败归到某个根因组或标记未解决），每个修复方向聚合 2–3 个相关根因、每个根因至少有 2 个不同失败任务支持。编辑器（GLM-5.3，温度 0.6，高推理努力）接收父代与根因，在六个可编辑组件——prompt、skill、context、memory、hooks、tool view——中按诊断选择修改（明确提示不得默认只改 prompt/skill）。局部评估最多 30 个任务（含最多 10 个成功控制任务），检查修复目标失败的同时是否保留已解决任务的行为；每个候选可提交初版加至多一次修订。

父代选择最大化联合验证覆盖：从本轮可执行、协议合规的子代中选至多 B=4 个父代，使验证任务并集最大（每任务只计一次，天然偏向互补覆盖而非冗余重复）。关键设计是池保留全部有效子代——包括未当选父代的：H_g = H_{g-1} ∪ C_valid_g。AppWorld 配置为 3 轮、提案预算 7/8/8，最终池含 H0 + 19 个辅助 harness（救援选 8 个，推理排名全池 20 个）。池子在 policy 训练期间冻结，只有其行为画像被更新。

组件二：互补 Harness 救援训练（Complementary Harness Rescue Training）。

每个训练任务 x 用当前 policy 在 H0 下采 K=8 个 rollout 组成 G0(x)。若组内至少一个成功，保留 G0(x) 照常训练；若全部失败，路由器选出 8 个不同辅助 harness 组成 G_R(x)，同一 policy 从任务初始状态在每个选定 harness 下各做一次全新尝试，用 G_R(x) 替换失败组进入 GRPO 更新。

两个精妙之处值得展开：

  1. 救援恢复了组内奖励对比。全失败组在 GRPO 下无组内方差、优势全为零，不产生学习信号；救援组若含成功与失败，就提供了这个任务上策略相对优劣的对比。论文的有效组率指标（组内既有成功又有失败）直接量化了这一点：Harness-S 全程 79.38% vs H0 救援 70.94% vs 标准 GRPO 64.69%。
  2. 损失函数尊重生成上下文。概率比 ρ = πθ(y|c_H)/πθ_old(y|c_H) 按各轨迹自己的生成 harness 上下文 c_H 计算，只有 policy token 进入目标函数——harness 注入的指令与工具观察被排除在损失之外。这保证了从辅助 harness 下采的轨迹训出来的梯度只归因于 policy 自己的动作，而非 harness 的注入文本。

组件三：自适应 Harness 路由器 + 策略感知画像重锚定。

Harness Behavior Profile 把每个同胞相对 H0 的行为差异组织成 prefer/avoid 两列条目 {When: 任务条件 w, Behavior: 行为 b}，由 LLM 从配对验证轨迹（同任务、同初始状态、同执行限制、同种子）中分组归纳。真实条目示例：prefer 列有 {When: 聚合 inbox/spam/archive 三处信息时, Behavior: 翻页至所有指定来源耗尽并合并去重（配对 H0 执行单趟匹配、遗漏部分来源）}。

投票聚合 V 个 LLM 的独立排名：每票列 4 个不同候选、权重 1/¾/½/¼、未列候选零分、跨票求和，平局用验证成功率再按 harness ID 决胜。投票输入含任务、当前画像、验证成功率、相似任务上的结果。

由于非平稳性，每 10 次更新冻结当前 policy 做一轮配对验证执行，刷新全部画像与验证统计（测试结果排除在外），下次校准前的路由使用最新画像。推理时可选 Rank-1 路由：最终重锚定后从含 H0 的全池按任务选一个 harness，选择发生在执行前、同 rollout 数下进行——9B 上把 AppWorld 从 72.52/62.34 抬到 75.19/67.05。

5.2 Meta²：预计算 + 复用的三层设计

在线组件：检查点式 harness 进化。

任务 agent 从极简种子 harness h(0)（NexAU）出发正常执行；evolver 与任务 agent 实例化自同一冻结模型。检查点信息按时间累积：I(k) = I(k-1) ⊕ (Δτ(k), ω(k), σ(k-1))，其中 Δτ(k) 是新增轨迹增量、ω(k) 是许可的只读工作区观察（可为空）、σ(k-1) 记录前一编辑是加载/保留还是回滚。在线实现里每个轨迹块截断至 1500 字符，另有 runner 计算的两节：重复过程（worker 以小变体重跑三次以上的命令+指纹）与通道预算（已用 notice 数、已用持久通道数）。

顶层决策二选一：KEEP 保持 harness 继续；EVOLVE 经由有界通道施加 δ(k)。通道契约差异精细：notice 到达 worker 下一轮开头、读一次、不持久、advisory；append/rewrite_worker_prompt 进入常驻指令、每轮生效、advisory；register_check（Python、标准库、独立解释器、只读文件）输出附加到每条命令结果、持久、reports；register_probe（bash、在 worker 环境执行）输出同样附加、持久；add_tool/add_skill/add_middleware 分别扩动作空间、按需加载笔记、在每次模型/工具调用外包裹代码。限额同样明确：每检查点至多一个 notice、每任务工作期间至多两个 notice；编辑加载失败即回滚并带回错误重试一次。

agent 声称完成（停止调用工具准备提交）时触发终端检查点：额外接收机械收集的状态——任务相关路径、创建/修改文件、新监听 TCP 端口、运行期间启动且存活的进程。KEEP 接受工件；EVOLVE 施加有界修正并把 agent 打回同一运行继续工作（受 send-back 预算约束，超预算记录后终止）。全程不重置环境、不丢弃累积轨迹。

离线组件：对比式 Meta-Skill 学习。

核心洞见是验证器只在整条运行结束后给出结果，联合评估一串检查点决策，无法归因单个编辑——Meta² 不追求归因，而是让终端反馈变得有方向性。每个训练任务跑三种条件：

  • A：任务 agent 单独执行（基线）；
  • B：用当前版本 M 引导的 evolver；
  • C：持有训练期特权验证器信息的 evolver。

构成五个对比方向：

  1. B 过 / A 败 → act 证据（当前 evolver 的干预有救）；
  2. C 过 / B 败 → act 证据（当前 evolver 错过的挽回策略）；
  3. B 败 / A 过 → avoid 证据（当前干预有害）；
  4. C 败 / B 过 → avoid 证据（验证器知情的演化反而更差——特权信息不保证好干预）；
  5. A 过 / B 过 → hold 证据（有无 evolver 都过，不必干预）。

条件 C 的存在价值在难任务上：A、B 双败时其对比无成功样本，特权信息让 C 能产出成功 rollout 供 B–C 对比挖掘挽回策略。防泄漏三道闸：C 的系统提示严禁向任务 agent 传递特权验证器信息；执行后审计违规轨迹并从对比构造中剔除；部署时 M 冻结永不更新。

三阶段流水线：REFLECT 从每个保留对比组按预定义 schema 写候选条目（含 When to refer / Guidance / Why / Reference examples 四栏）→ AGGREGATE 按可观察触发器分组、去除实例细节、要求至少两个不同任务支持 → UPDATE 相对 M^(r-1) 增/并/精/删条目并保留出处。条件 A 与 C 的记录收集一次复用，条件 B 随每轮 M^(r-1) 重新收集——这样 B–C 对比反映的是当前 M 的真实盲区。

部署组件：全局冻结、局部适应。

M 冻结部署；每个新运行从同一 h(0) 重新开始；检查点上 evolver 以 δ(k) ～ g(·|h(k-1), I(k), M) 决策；运行结束编辑即弃。在线决策、任务特定编辑与结果永不写回 M；held-out 验证器内容与结果对 evolver 不可见，仅用于终止后评估。

5.3 两个值得咀嚼的设计对称性

两篇在机制上有两处漂亮的对称。【阅读者推测】

证据的方向性使用：Harness-S 只在全失败任务上消耗救援预算（失败驱动的探索定向），Meta² 的五向对比也是定向证据而非因果估计——两者都放弃了全量归因，换取信号的方向正确与获取成本的可控。

知识的作用域隔离：Harness-S 池中每个同胞的修复专长保持独立不合并（池保留全部有效子代而非只留最优），Meta² 的在线编辑限制在单运行生命周期内（跨任务保留反而掉点）——两者都用作用域隔离对抗同一类过拟合：把局部修复泛化到无关情境。

六、实验与知识反推

6.1 Harness-S 的实验证据链

实验设置。Qwen3.5-4B 与 9B，三基准：AppWorld（320 训/150 验/262 测）、DBBench（1600/200/300）、SWE-Gym（240/100/160）。Pass@3 测至少一次解决的任务占比，Avg@3 平均三次 rollout 成功率；主表为 3 次独立随机运行均值（Harness-S 附跨运行标准差）。8 张 H800。对照系覆盖 policy-only（GRPO、GRPO+H0 救援、两个固定混合）、冻结策略演化（Meta-Harness、Harness-S HE only）、协同演化（WHALE、HarnessForge），另有 GPT-6-Sol 等前沿模型参考。

主结果（RQ1）。9B+H0：AppWorld 72.52/62.34、SWE-Gym 40.00/32.50、DBBench 76.33/73.44，全面超过同优化器 GRPO（64.89/53.31、28.13/25.63、69.67/67.00）与 GRPO+H0 救援（65.65/54.83、29.38/26.88、70.67/67.78）。Rank-1 推理进一步到 75.19/67.05、43.75/36.25、78.00/75.67。两个亮点：路由后的 4B 在每项指标上超过 9B GRPO+H0 救援；路由后的 9B 在 DBBench 上超过全部前沿模型参考（78.00/75.67 vs GPT-6-Sol 的 71.33/68.89、DeepSeek-v4-Flash 的 75.00/70.44）。【论文实验已支持】

学习机制（RQ2）。有效组率全程领先（整轮 79.38% vs 70.94% vs 64.69%）；有效训练 token 份额（计入轨迹长度差异）80.88% vs 72.68%。最关键的对照：两个固定混合基线（DSH H0 + Claude Code 各 4 rollout、DSH H0 + Top-4 持续混合）的有效组率与最终验证成绩都贴近标准 GRPO（固定混合终点甚至低于 GRPO）——harness 多样性只有定向到基础组失败的任务上才有用，均匀暴露于多样 harness 无效。验证集 H0 成绩从同起点出发每个检查点领先，终点 63.33% vs 54.00%（H0 救援）vs 48.00%（GRPO）。【论文实验已支持】

救援策略（RQ3）。AppWorld 4B 上对比六种分配：随机、规则路由（无画像，按相似验证任务成功率排名）、LLM Router(4×2)（4 个 harness 各 2 rollout）、固定画像 Top-8、自适应 Top-8（Harness-S）。Top-8 Adaptive 全部四个训练阶段救援成功率最高（52.38/66.67/45.71/50.00%），最终 Pass@3 67.56 / Avg@3 56.87 均为最佳；自适应比固定画像 Avg@3 高 4.71pp——支持随 policy 演化刷新路由证据。Top-8 优于 LLM Router(4×2)：更广 harness 探索优于从更少 harness 重复采样。互补性量化：九个被分析同胞各自修复 11–15 个 H0 失败，并集修复 29 个（共享修复矩阵平均方向性重叠 62.47%）。【论文实验已支持】

行为内化（RQ4）。LLM 标注完整评估轨迹的行为频率（%）：

  • AppWorld：首次使用 API 前查 schema，base 22.9 / GRPO 38.2 / Harness-S 67.6；显式翻页循环 13.8/33.5/38.3；重复执行代码 15.4/30.1/9.8（越低越好）；单 execute 块多 API 调用 24.8/20.5/31.5；写后回读 69.2/56.9/69.4；
  • SWE-Gym：agent 自写断言检查 10.2/11.2/18.4；测试被阻塞后改用断言 15.4/13.3/48.5；同目标失败-编辑-重测 9.2/18.2/24.1；最后一次编辑后检查 diff 16.3/23.5/27.5。

作者谨慎地注明：频率描述行为而非正确性，更多调用或检查只在服务任务时才有用。两个 held-out 案例追踪了具体的迁移：集合交集约束（训练救援中 H2 在 Venmo 点歌任务上先取 liked songs 与 library/playlist 的交集→held-out 测试中 Harness-S policy 对新歌单实例正确应用交集、GRPO 用并集发过 inclusive 列表而败）；账户恢复多步流程（训练救援中 H5 完成 Venmo 读邮件验证码-重置密码-验证登录的工作流→held-out 验证中 Harness-S policy 在 Amazon 实例上读新验证码-重置-验证成功、GRPO 读验证码但不改密码而败）。两个案例分别对应任务约束的迁移与多步流程的迁移。【论文实验已支持】

路由有效性（RQ5）。训练前后 Rank-1/2/3 的成绩排序均单调递减（Pass@3 与 Avg@3 都是 Rank-1>Rank-2>Rank-3），说明排名预测执行质量。训练使 H0 成为更常见的首选：H0 排 Rank-1 的任务占比 1.53%→22.52%，Rank-2/3 占比也上升。训练后 policy 在 H0 下反超 Rank-2/3；Rank-1 对 H0 的 Pass@3 优势从 14.21 缩到 0.76（Avg@3 从 13.49 缩到 4.58）——辅助依赖确实下降，Rank-1 剩余优势集中在跨尝试一致性上。【论文实验已支持】

跨 harness 泛化（RQ6）。训练后 policy 无任何更新地放到 Claude Code、OpenClaw 外部 harness 下：AppWorld Pass@3 增益（vs GRPO）+9.16/+4.96，SWE-Gym +12.50/+10.62，全部场景最高且超过混合 harness GRPO——但两者之下都低于 DSH H0 的成绩。结论：互补救援发展的行为超越训练 harness 可用，执行接口仍影响行为兑现的可靠程度。【论文实验已支持】

成本核算。训练侧：Harness-S/Top-8 比 plain GRPO 多 18.44% rollout（3032 vs 2560）、67.19 vs 50.58 GPU·h，换 7.89pp 的 H0 Avg@3 提升；比 H0 救援（3616 rollout、97.77 GPU·h、51.91）更少采样更少算力更高分。全管线：Harness-S 搜索 rollout 4010，比 Meta-Harness（8000）/WHALE（8640）/HarnessForge（5680）少 29–54%；GPU·h 75.79 与 API token 18.69M 落在协同演化基线区间内（相对 WHALE 少 GPU 时多 API token，相对 HarnessForge 相反）。

6.2 Meta² 的实验证据链

实验设置。Terminal-Bench 2.1（89 任务，容器化命令行复杂工作流，29 训/60 测，每测任务 5 次独立运行取 mean@5）与 DeepSWE 1.1（113 个跨 91 个开源仓的原始工程任务，38 训/75 测，mean@3）。主骨干 GPT-5.6-Terra（medium reasoning），副骨干 DeepSeek-V4-Flash-0731（high）。每个骨干设置内所有系统的所有角色用同一底层模型；全部调用走同一 LiteLLM 代理，从响应头按次计费。基线三组：人工设计 harness（NexAU 种子、Codex CLI、mini-swe-agent、Pi、DeepSeek Harness）、自进化（ReasoningBank、ACE、TF-GRPO）、harness 进化（AHE、Meta-Harness、Continual Harness）；所有自进化/harness 进化方法从同一 NexAU 种子出发；测试期适应的方法一律不得看 held-out 验证器结果。

主结果（RQ1）。GPT-5.6-Terra 下：Terminal-Bench 2.1 达 81.00%（+14.67 vs NexAU 种子 66.33），DeepSWE 1.1 达 44.44%（+9.77 vs 种子 34.67），均为受评方法最高；比最强 harness 进化基线 Meta-Harness（73.33/37.33）高 7.67/7.11，比 TF-GRPO（74.67/36.44）高 6.33/8.00。DeepSWE 上的分野最能说明问题：ReasoningBank（−1.34）、ACE（−2.67）、Continual Harness（−0.89）低于种子、AHE 持平——唯独 Meta² 保持近 10 点提升，作者归因于条件 C 能在 A/B 双败的难任务上提供其他方法得不到的成功样本。重复运行稳定性也是全场最佳（标准差 0.91/0.77，多数基线在 2–5 个点）。【论文实验已支持】

跨骨干鲁棒性。DeepSeek-V4-Flash-0731 在 Terminal-Bench 上 Meta² 仍第一（77.67%，+7.67 vs 种子）；三个自进化基线全部低于种子（ReasoningBank −0.67、ACE −5.00、TF-GRPO −3.67），AHE/Meta-Harness 仅 +1.33/+1.00，Continual Harness +4.67。注意作者说明：每个骨干单独构建 Meta-Skill，此实验检验的是跨骨干的方法鲁棒性而非冻结 Meta-Skill 的零样本跨模型迁移。【论文实验已支持】

成本（RQ2）。Meta² 全成本 Terminal-Bench $174.91 / DeepSWE $367.86，低于 AHE（$248.35/$862.89）与 Meta-Harness（$198.85/$870.75）且性能更高——直接支配这两个离线基线，位于两基准的性能-成本 Pareto 前沿。对比另一在线方法 Continual Harness：离线构建更贵（$110.19 vs $28.75；$238.52 vs $46.11），但在线更便宜（$64.72 vs $83.48；$129.34 vs $155.61）且性能更高——预计算成本是一次性投资，Meta-Skill 复用次数越多摊得越薄。【论文实验已支持】

检查点频率（RQ3）。固定区间 L 扫描：L=5 最优（81.00%、$64.72）；更密不升反降——L=3 花费 $74.22 得 80.33%、L=1 花费 $83.41 反得 79.00%；更长区间省钱但性能妥协（L=11 为 $59.10，性能下降）。所有 L 取值下 Meta² 均超过全部基线——优势对检查点日程鲁棒。这个非单调模式【阅读者推测】可能反映过于频繁的检查会诱发过度干预（与 avoid/hold 条目要约束的正是同一倾向）。【论文实验已支持（扫描数据）；解释为阅读者推测】

组件消融（RQ4）。五设置递进（Terminal-Bench/DeepSWE）：

  1. 任务 agent 单独：66.33/34.67
  2. +在线 evolver（无知识）：74.67/36.44
  3. +自蒸馏 Meta-Skill：77.00/35.56
  4. +对比式 Meta-Skill（Meta²）：81.00/44.44
  5. 第 4 + 跨任务保留在线编辑不重置 h(0)：78.33/39.11

三个结论：无知识 evolver 已有约 8 点提升（监督结构本身有价值）；对比式比自蒸馏高 4.00/8.88（五向对比的知识质量高于从成功轨迹单侧蒸馏；自蒸馏在 DeepSWE 上甚至略降——难任务上成功轨迹太稀疏）；跨任务保留编辑显著掉点——在线编辑源自活跃任务轨迹、编码任务特定干预，不重置就会污染下一个任务，直接验证了任务局部性设计的必要性。【论文实验已支持】

案例研究。四个配对案例（同任务、同初始 harness、同模型、同检查点日程，有无 Meta-Skill 各跑一次）：

  • act（Terminal-Bench，git 部署 web 服务）：无知识 evolver 接受临时沙箱里的测试与不存在的 /git/server；E-02 条目要求端到端证据——clone/commit/push 后新鲜 curl 8080 端口确认 hello world——agent 装服务验证全链路后通过；
  • act（DeepSWE，Obsidian Link Style 规则）：无知识 notice 只盯失败测试暴露的解析器问题，image 路由未检查，58/60 隐藏测试；E-02 引导注意未验证执行路径，发现 linkStyle=wiki 与 imageStyle=不改的交互，修复后 60/60；
  • avoid（Terminal-Bench，Corewars 战士）：stone 对局 74 胜差 1 场时，无知识 evolver 用最后 notice 改向其他 warrior，混合体停在 74；E-06 判定探索仍在推进（KEEP），继续调 Rave，最终 77/95/92/34/68 全部过阈；
  • hold（Terminal-Bench，逆向渲染器）：无知识 evolver 在 t1/t2 把 notice 花在孤立的工具失败上，输出比对暴露重大不匹配时通道已耗尽；E-04 阻止对孤立失败发 notice、E-03 要求输出比对，两个 notice 留到 t4–t5 处理参照保持与不匹配，最终逐像素复现成功。作者诚实标注：此案例展示的是干预时机差异，不能断定省下早期 notice 决定了成功。【论文实验已支持】

6.3 相反结论与弱点的检视

Harness-S 侧：

  1. 固定混合基线几乎无效说明收益来自定向分配而非多样性本身——但这也意味着方法依赖全失败触发器这一启发式；部分成功的任务（组内已有对比）不会触发救援，其改进仍只靠常规 GRPO。【阅读者推测】
  2. 行为频率描述行为而非正确性（作者自己声明），内化的因果链（救援→行为→H0 下成功）由频率、案例与路由依赖下降三面佐证，但不是受控归因。
  3. 跨 harness 泛化仍低于 H0 成绩，说明内化不完全；对完全独立开发 harness 间如何交换任务状态，作者列为未来工作。
  4. 池的构建本身有成本（搜索 rollout 4010 次起步），且池对准的是单一执行系统家族；换基座需要重新演化——论文的未来工作提到研究池跨 policy 的持久迁移与高效复用。

Meta² 侧：

  1. 作者在局限里明确承认：A/B/C 对比是运行级证据而非单检查点决策的因果估计——独立采样的轨迹可能在干预前就分叉，终态差异不能归因单个编辑；受控的共享检查点状态恢复式对比才能更精确归因。
  2. 跨任务聚合产出的条目是训练证据的抽象，其适用性取决于活跃运行是否呈现相关条件；对更广分布偏移下的迁移未验证。
  3. 每个 benchmark/骨干组合单独构建 Meta-Skill——知识的构建成本随骨干数线性增长，跨模型复用未测。
  4. 评测限于有自动验证器的终端与软件工程任务；对具身控制、开放研究等交互结构不同、完成标准更弱的领域不覆盖。

共同边界：两篇都依赖可执行验证器定义成功（R_x / V_x），没有干净二值结果信号的领域两条路线都要先解决奖励来源问题。两篇也都在单一执行系统家族内工作（DeepSeek Harness 基座 / NexAU 种子），同胞与编辑的多样性受种子设计空间限制；Meta² 的 DeepSWE 增益（44.44%）也仍留下过半任务未解——两个方法都远未触顶。

七、通用灵感

  1. 多样性是资产，合并是陷阱。Harness-S 的局部性发现表明局部修复互相不兼容，Meta² 的跨任务保留编辑实验（81.00→78.33）从另一侧证实同样的教训：把为某个情境学到的修正持久化到全局，几乎总是过拟合。任何维护配置/规则/技能库的系统都值得问一句——这个组件的作用域应该是全局还是局部？

  2. 非平稳性可以用重锚定管理，而不是用冻结对抗。Harness-S 的画像重锚定（+4.71pp）证明：当被评估对象的效用在漂移，评估证据本身需要定期刷新。这对所有做检索/路由/推荐系统的团队是通用教训——画像的保鲜期必须与被画像对象的演化速度匹配。

  3. 预计算-复用是摊薄昂贵在线推理的通用架构。Meta² 把离线优化上移一级、产出可复用决策知识而非终端工件，使在线每次干预不再从零推理（在线成本低于纯在线的 Continual Harness）。这一 precompute-and-reuse 模式可迁移到任何在线决策昂贵的场景：把何时干预的知识离线化，把干预本身留在在线。

  4. 特权信息只用于构造监督，不进入部署。Meta² 的条件 C 用训练期验证器特权造出成功样本，靠提示禁令+事后审计+部署冻结三道闸防泄漏——与经典的学习使用特权信息（Learning by Cheating、Generalized Distillation）一脉相承，Harness-S 的扩展相关工作里也正好梳理了这条线。任何拥有只在训练期可用的强信号（标注、模拟器内部状态、专家演示）的场景都可以套用：把特权信息转化为 student 部署时可用的形式。

  5. 失败驱动的定向探索优于均匀多样性。Harness-S 只在全失败任务上花救援预算、两个固定混合基线的失败从反面佐证；Meta² 的五向对比聚焦有方向差异的结果对。两者共同反驳了多多益善式的探索观：探索的收益取决于把多样性花在信号最缺乏的地方——全零奖励组、A/B 双败任务。这对 RL 探索策略、数据课程设计、主动学习采样都有启发。

  6. 监督角色分离 + 有界通道是运行时干预的安全设计。Meta² 的 evolver 不能直接替 worker 行动，只能经契约明确的通道施加影响，且有验证、回滚、预算约束与审计日志；安全讨论进一步建议最小权限、显式编辑范围、版本化变更，扩权编辑需人工批准。这是任何想在生产 agent 上加运行时监督的团队可以直接抄的清单。

  7. 把执行支持内化进参数，与把决策知识外置为文本，是同一枚硬币的两面。Harness-S 证明 harness 促发的行为可以进 policy 参数并在撤除后存活（schema 查询 22.9%→67.6%、翻页 13.8%→38.3%），Meta² 证明知识可以进冻结文本并在新任务上复用（+14.67/+9.77）。选择内化还是外置取决于：改动权重的成本与风险、部署环境是否允许运行时监督、知识需要多快更新。两篇合起来给出了这个决策矩阵的两个极端端点，中间地带——部分内化加部分外置、知识定期重锚定更新——正是两篇未来工作共同指向的方向。

  8. 对干预类系统，不作为是一个需要学习的一等动作。Meta² 的 hold/avoid 证据类型、检查点过密反而掉点（L=1 得 79.00）、Harness-S 只在全失败时出手——三个证据都指向：干预系统的关键能力不是知道何时出手，而是知道何时不出手。设计任何监督/编排/自愈机制时，把 KEEP 做成显式决策并给它学习信号，与把 EVOLVE 做好同样重要。