搜索
在计算历史的绝大部分时间里，编程的本质是一项翻译工作：开发者需要在人类理解的维度上剖析问题，设计抽象方案，随后将其转译为机器能够执行的语法。当前的软件工程领域正在经历自高级编程语言问世以来最为显著的变化。
上海人工智能实验室团队提出的Self-Harness，近期被LangChain CEO、联合创始人Harrison Chase转发，也被前OpenAI副总裁Lilian Weng收进自进化Agent相关博客。它盯上的不是换模型，而是Agent外层那套Harness。
7 月 16 日，伯克利博士后 Haven Feng 的一条推文火了。原因无他，结果很震撼：在 ARC-AGI-3 Public 集上，一套名为 [schema] 的智能体框架，与 Claude Opus 4.8、Fable 5 组合后达到 98.98% 的 RHAE；换成 GPT-5.6 Sol 组合，分数也有 95.35%。
近日，翁荔发布长文 《Harness Engineering for Self-Improvement》，系统梳理了 harness engineering 在 AI 自我改进中的作用。
“当你需要增强自己的智能时，别指望给第三方打个电话解决，而应该在公司内部完成。”
WorkBuddy最近很火，实测下来的体感是，harness层似乎搭建得还不错，而且对国内模型的兼容度都做得很好，少有的国内应用厂商做出来的、基于国产模型的可用Agent产品。 这篇文章来自 Work
这个问题，在 AI 行业有一个专业的说法：无状态（Stateless）。而解决这个问题，正是 EverMind 过去一直在做的事情。今天，这个探索走到了一个新的节点：基于自研记忆系统 EverOS 的自进化Harness——Raven Agent 正式发布。
刚刚，翁荔（Lilian Weng）又更新博客了！距离她上一次更新《谨慎对待 Scaling Law》还不到 10 天。这一次，她书写的主题是当前大热的 Harness Engineering，聚焦的正是当下 AI 研究最前沿一个环节：当模型本身的智能已经足够强大时，真正决定它能走多远的，或许是包裹在模型外面的那层「Harness」也就是负责编排模型思考、调用工具、管理上下文、评估结果的那套系统。
超级麦吉自媒体工作台，做的就是这件事——把选题、创作、诊断、复盘、管理这五个环节串起来，把黑盒一个个打开，让你每一步都能看到自己在做什么。不是给你一堆工具，是给你一套能跑起来的系统。
本篇文章根据我在本月 43 Talks 线下活动中的分享整理而成。主理人李继刚邀请我时，给的主题词只有一个：Context。我想从 Agent 的视角出发，讨论一个判断：随着模型和 Harness 逐步趋同，真正决定 Agent 能力边界的，会越来越是 Context。