一句话看懂：一篇 2026 年 11 月发布在 Hugging Face Papers 的论文摘要指��，Agent harness 的进化可以在不更新模型权重的情况下带来提升，但基准分数上涨可能掩盖任务覆盖丢失、成本上升与迁移不稳定。这值得关注，因为它动摇了“分数越高就越好”的默认评价方式。
事件核心：发生了什么
该论文研究的是不修改模型参数、仅调整 Agent 外围架���（harness）来实现递归自我改进（RSI）的路径。摘要称，作者在通用任务和编程任务上评估了四种方法、共十六个进化后的 Agent，并使用重复评测、受控 Agent 扩展、组件干预和准入回放等手段。结果显示：所有十六个进化 Agent 都新增了此前未覆盖的任务，同时也丢失了原先覆盖的任务；在一个通用任务案例中，可靠性上升 5.2 个百分点，代价是丢掉十项原本能完成的任务。多数可靠性提升还会推高部署成本。
为什么重要
过去，Agent 优化常被简化为跑分竞赛，但摘要给出的信号是：高分 Agent 未必是平均提升最大的 Agent；单项改动通常优于泛化提醒，组合起来却可能互相抵消；更严格的准入筛选也可能误伤有用方案。更有意思的是迁移表现并不对称：在两类 harness 和范式下，通用任务的覆盖通常下降，但仅外层 harness 的编程任务覆盖反而上升。这意味着行业需要从“排行榜思维”转向“保留感知”的评测，并明确适用条件。
对用户/开发者/创作者的影响
对开发者而言，这意味着评估 Agent 迭代不能只看单一基准，还要检查旧任务回退、推理成本与组合改动的相互作用。对使用 AI 应用的用户和创作者，摘要暗示某些“升级”可能以牺牲部分能力为代价，因此部署前应做小范围回放测试。由于论文摘要未核验全文实验、也未提及可用产品，目前公开信息显示其价值主要在方法论提醒，而非可直接使用的工具或已确认的排名。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 EvoAudit 方法能否在公开代码或基准中被复现；二是后续研究是否给出更细的成本与任务保留指标；三是 harness 进化思路是否被开源 Agent 框架采纳，成为评估流程的一部分。
