Lilian Weng 發表長文，主張 AI 遞迴自我提升短期會先靠 harness engineering 演進，而非直接重寫模型權重

Lilian Weng 發表長文，主張 AI 遞迴自我提升短期會先靠 harness engineering 演進，而非直接重寫模型權重。 核心觀點與趨勢 Lilian Weng 指出，AI 的遞迴自我提升（RSI）在短期內不太可能直接透過模型重寫權重來實現，而是會先透過「harness engineering」演進。她認為 harness（執行框架）是連接基礎模型與現實世界的關鍵層，其設計正從單純的 prompt 模板轉向類似作業系統的軟體系統設計，重點在於如何管理記憶、工作流與工具互動。 harness 的關鍵設計模式 針對長週期 Agent 系統，Lilian Weng 總結了幾項核心設計模式： 工作流自動化：採用以目標為導向的循環（計畫、執行、測試、改進），並透過 Agent runtime 迭代，而非依賴靜態 prompt。 檔案系統作為持久化記憶：避免將所有日誌與狀態堆疊在 context window 中，改以檔案形式儲存 artifact（如實驗日誌、程式碼差異、錯誤追蹤），讓模型能用 bash 指令管理。 子 Agent 與後端任務：透過明確的處理程序管理器（process manager）來啟動並行任務，並將輸出結果以檔案形式記錄，確保模型在中斷後能恢復狀態並繼續推理。 對未來發展的預測 Meta-methodology 的演進：harness engineering 將朝向「元方法論」發展，即優化獲取答案的機制，而非僅僅優化答案本身。 系統的簡化與標準化：隨著模型能力提升，許多現有的 harness 優化手段將被內化至核心模型行為中，但定義目標、約束條件與評估的介面需求將持續存在。 程式碼作為優化空間：由於 harness 本質上是定義 Agent 運作邏輯的程式碼，強大的 coding Agent 可以像人類工程師一樣，在可執行的設計空間內搜尋與優化（如 Meta-Harness、ADAS、AFlow 等研究），這將成為實現自我提升的重要路徑。 Lilian Weng 強調，儘管 harness 的改進能顯著提升模型部署的效能，但核心智慧仍來自模型本身；若基礎模型能力不足，遞迴結構將無法發揮作用，甚至可能導致效能下降。 原文連結：lilianweng.github.io 原文：https://easyvibecoding.app/curated/2379-lilian-weng-argues-harness-engineering-before-model-rewrites