Agent 自进化，正在从“反思后改 Prompt”，走向真正的工程化闭环。

华为最新论文 HarnessEvolve 提了一个很关键的问题：Agent 失败之后，到底应该改哪里？
过去很多 Self-Evolution 方法的套路是：失败 -> Reflection -> 改 Prompt / Skill -> 再跑一次。
但长链路 Agent 最难的从来不是“知道失败了”，而是 Credit Assignment：最终结果错了，不代表最后一步才是根因。

HarnessEvolve 的核心做法，是给失败轨迹配一条 Reference Trajectory。
也就是同一道任务，同时有：失败轨迹和正确参考轨迹
然后找到第一次真正分叉的位置，First Divergence Point。
这一步很像软件 Debug，不是看最后哪里报错，而是找到第一个错误状态。

更进一步，HarnessEvolve 不只允许修改 Prompt 或 Skill，而是可以动整个 Harness，问题在哪一层，就改哪一层。

HarnessEvolve 还加了两层 Gate：一层防止 Agent 偷偷背训练集、把答案塞进 Prompt；另一层做回归测试，避免修复新问题时破坏旧能力。

这已经非常像一套 Agent 的 CI/CD。

论文里的消融实验：去掉 Reference Trajectory 后，性能从 86.9 掉到 57.8。
说明真正关键的，不是 Multi-Agent，也不是复杂流程，而是：给 Agent 提供更高质量的失败监督信号。

未来 Agent Evaluation 可能不再只是“打分系统”，而会逐渐变成“训练系统”。

当这些东西连起来，Agent 才可能形成真正的学习飞轮。Self-Evolution 的下一站，可能真的不是 Prompt，也不是 Skill，而是整个 Harness。

#AI #AIAgent #HarnessEvolve #Harness #智能体 #LongHorizon #AI研究 #自进化 #AgentEngineering #AI反常识howto