不改模型权重，让智能体自己进化：脚手架自我改良的路线图
不改模型权重，让智能体自己进化：脚手架自我改良的路线图
一句话版本：智能体最该被持续打磨的不是模型权重，而是包裹它的「脚手架」——提示词、记忆、工作流、可执行组件；用执行反馈驱动这些部分迭代、并让通过校验的改动持久化，智能体就能在不重训模型的前提下越用越强。
一个常见的误区是：想让智能体变强，就得换更强的模型、或者重新训练。但这篇 66 页的综合论述指出了另一条路——脚手架自我进化（Harness Self-Evolution）：保持模型权重不动，只迭代智能体外围的那层「软件脚手架」，同样能让系统持续适应变化。
什么是「脚手架」
论文把智能体拆成两层：内核是模型权重，外壳是脚手架（harness）——包括提示词、记忆、工作流、工具与可执行组件。脚手架直接塑造了模型在具体任务里的行为边界：同一个模型，配上不同的脚手架，表现可以差出几个段位。
论文把脚手架的改动分成两类，按「改动边界」划分：
- 解释型状态更新（interpreted-state updates）：改的是指令、存储的经验、任务级的协调逻辑——它们修改的是「怎么调用既有能力」，不触及能力本身的实现。比如优化一段提示词、把上次失败的经验写进记忆、调整任务之间的编排顺序。
- 可执行修订（executable revisions）：改的是能力实现本身——工具的代码、运行时控制逻辑、插件化的服务组合。这一类改动更重，影响也更深。
为什么要聚焦脚手架而不是模型权重？论文给了三个理由：第一，脚手架直接决定模型在任务里的行为，是性能的杠杆点；第二，改脚手架可以复用既有模型部署，省去重训和额外权重检查点的成本；第三，指令、记忆、代码都可被直接检视、可版本化、可回滚——这在需要问责和审计的场景里至关重要。
反馈驱动的持久化进化
自我进化的核心机制是一句话：用执行反馈生成候选改动，让通过校验的改动持久化到后续运行。
这里有几个关键设计：
1. 更新目标与提案/准入机制分离。改什么（目标）、谁来提改动（提案）、改动怎么被接受（准入），是三个独立的环节。分开它们，才能分别优化——比如提案可以激进，准入必须保守。
2. 改动跨运行持久化。被接受的修订会写回脚手架，下一次运行自动加载。没有持久化，所谓「自我进化」就只是当次运行的临时调整，积累不起来。
3. 独立验证数据把关准入。论文借用经典学习理论（持续 PAC 学习），推导出：只有用新鲜的、独立于训练的验证数据来判定一个改动是否合格，才能以高概率保证它真的带来改进、而不是过拟合到历史样本。
三条理论底线：泛化、保留、准入
这篇论述最扎实的部分，是把「脚手架搜索」映射到进化优化的结构上，并给出了三条条件性的理论结论：
- 期望泛化界：在明确假设下，脚手架改动在未见任务上的表现，可以被一个期望上界约束——说明进化不是玄学，收益有可分析的边界。
- 保留界（retention bound）：持续进化最怕的不是「没进步」，而是「退化」——新改动把旧能力改坏了。论文给出了一个以历史回归预算为条件的保留界，即只要每次退化的幅度被累计预算约束住，整体能力就不会被无限侵蚀。
- 高概率准入规则：用独立验证数据，可以给出一套「以高概率只接受真改进」的准入判据。
这三条合起来回答了一个工程上最要命的问题：怎么让系统「越改越好」而不「越改越坏」。答案不是禁止改动，而是给改动装上校验和刹车。
为什么这事关可靠性
论文花了不少篇幅谈脚手架持续修订对知识共享、组织工作流的影响，并指向科学可靠性、物理安全、机构问责这些更重的命题。核心立场是：当脚手架的修订会持久化、会跨任务传播，它就不只是技术优化，而是一种需要持续校验的制度性动作。
任务分布会变、评估标准会变，所以「部署一次就一劳永逸」是不存在的。可靠的部署要求：学习、运行时权限、关键动作三方面各有独立的安全护栏。一个改动再小，只要它会被记住、会影响后续，就得有独立的验证兜底——这正是论文把准入机制独立出来的根本原因。
给智能体构建者的启示
这篇论述对正在搭智能体的人，有几条直接可用的判断：
- 优先迭代脚手架，而非迷信换模型。在模型已经够用的前提下，提示词、记忆结构、工作流编排的优化空间往往比换模型更大，且成本低、可回滚。
- 让成功的经验沉淀成持久化的能力。一次跑通的任务流程，应该被固化成可复用的技能或工作流，而不是每次从零再来——这正是「自我进化」的朴素形态。
- 给改动装上准入闸门。不是所有「这次管用」的改动都该被记住，要有独立的校验机制判断它是否值得持久化，否则系统会在一次次「看起来有用」的微调里悄悄退化。
在 BuddyMe 里，这套理念有落点：定时任务首次执行后会沉淀为可复用的技能，之后确定性回放——这本质上就是一种「把跑通的经验持久化为脚手架能力」的机制；而心跳记忆的评分衰减，则是对「哪些经验值得保留」的一种准入与淘汰。让智能体在固定模型之上，靠脚手架的持续打磨越用越顺手，比一味追更重的模型，往往是更稳的进化路径。
论文：*Self-evolving Agent Harness*（arXiv:2610.18813），配套代码与补充材料见 github.com/zgcagi/Harness-RSI。
>
BuddyMe 每日免费 4500 万 Token，定时任务沉淀技能、心跳记忆评分衰减，让脚手架越用越稳。