在大语言模型的应用开发中，我们总在追求更优的模型权重、更大的参数量、更精细的微调策略。然而，很少有人注意到，包裹在大语言模型外层的代码逻辑，可能才是决定模型实际性能的关键。但问题是，这套代码的设计和优化长期以来都依赖工程师的手动调试，从检查失败案例、调整启发式规则，到在有限方案中迭代，整个过程耗时又耗力。那么，这个高度依赖人工的过程能否被自动化呢？斯坦福大学联合麻省理工学院、KRAFTON AI提出的Meta-Harness研究，给出了一个肯定的答案。今天，我们就来解析这篇研究，看看它是如何让AI自己优化AI的外挂代码，又如何在多个任务中实现性能突破的。

什么是 Harness？

首先，我们需要明确一个核心概念：什么是harness？在大语言模型的应用体系中，harness指的是包裹在大语言模型外面的一层代码逻辑，也可以理解为模型与外部世界交互的中间件。它主要决定三件事：一是存什么，即哪些信息需要被保存到模型的记忆或状态中；二是取什么，即在推理过程中，什么时候从记忆中检索哪些相关内容；三是给模型看什么，即如何将检索到的信息、历史交互内容等组织成合理的提示词，最终送给模型进行推理。

正是因为harness的重要性，一个新的实践方向应运而生，那就是Harness Engineering，也就是通过精心设计和迭代优化大模型的外围代码来提升整个系统的实际性能。但是，现阶段的harness工程完全依赖人工完成。工程师需要逐一对模型的失败案例进行分析，根据分析结果调整启发式规则，然后在为数不多的几个设计方案之间反复测试、迭代。这个过程不仅效率低下，而且受限于工程师的经验和认知，很难探索到最优的harness设计方案。

现有文本优化方法的局限性

既然harness工程的核心是根据反馈迭代改进代码和文本，那自然会有人想到，能否借鉴现有的文本优化方法来实现自动化呢？答案是否定的。研究团队指出，现有的文本优化方法，如 OPRO、TextGrad、AlphaEvolve、GEPA、TTT-Discover 等，都存在一个共同的致命问题：对反馈信息的压缩过于激进。

这种激进的压缩主要体现在三个层面：

• 无记忆性: 部分方法只关注当前候选方案，完全忽略历史优化经验，相当于每次优化都从零开始。
• 标量评分依赖: 部分方法只依赖单一数字作为反馈（标量评分），丢掉了模型推理过程中的所有中间信息，无法追溯性能好坏的根本原因。
• 信息精简: 部分方法将反馈限制在简短模板或大模型生成的摘要中，精简了大量关键诊断信息，导致优化过程失去了重要的参考依据。

这些压缩策略本质上是为了适配现有大语言模型的上下文窗口限制，是一种实用性的权衡。但是，对于harness优化来说，这是完全不可行的。因为harness的决策具有长程性：一个关于“存什么”的早期决定，可能要在几十甚至上百个推理步骤之后才会对最终模型表现产生影响。而压缩后的反馈信息，往往丢失了追溯这种长程因果链所需的关键内容。

Meta-Harness：AI驱动的Harness自动化优化

针对现有方法的局限性，研究团队提出了 Meta-Harness，一个用于端到端优化模型harness代码的外循环系统，也被称为“harness的harness”。Meta-Harness的核心思路是将harness优化本身变成一个搜索问题。它不再由人工设计和迭代harness代码，而是用一个coding agent作为提议器（proposer），让它在一个包含了所有历史候选代码、模型执行轨迹和评估评分的文件系统中自由探索。

与现有方法最大的不同是，Meta-Harness不做任何反馈信息的压缩。它将完整的历史优化经验毫无保留地暴露给提议器，让提议器根据实际需求自主选择需要查看的信息，而不是由系统设计者预先决定。

之所以选择coding agent而非普通大语言模型作为提议器，是因为随着搜索过程推进，历史经验会快速累积。即使只进行10次搜索迭代，所有候选方案的信息量也可能超过1000万个token，这远远超出当前大模型的上下文窗口限制。coding agent的核心优势在于其工具调用能力，可以通过终端工具选择性地查看文件系统信息，从而在不受上下文窗口限制的情况下，按需获取信息。

Meta-Harness的搜索循环包含三个核心步骤，并由三个核心组件支撑：提议器（Proposer）、评估器（Evaluator） 和 文件系统存储（Filesystem Store）。

Meta-Harness 的工作流程与组件

1. 提议阶段（Proposer）: 由coding agent扮演的提议器会读取文件系统中存储的所有历史记录，包括过往所有候选harness的源代码、模型运行的完整执行轨迹、每一次评估的具体评分。然后基于这些信息，自主分析现有方案的优劣，提出新的harness代码方案。在实际运行中，提议器每一轮迭代的中位数读取文件数量达到82个，在最复杂的TerminalBench-2任务中，平均会参考超过20个历史候选方案，确保新方案是在充分分析历史经验的基础上提出的。

2. 评估阶段（Evaluator）: 评估器对提议器提出的新harness方案进行全面评估。其工作不仅仅是给出一个最终的标量评分，而是在指定的评估任务上完整运行新的harness方案，并同时记录两类关键信息：

   • 标量评分: 用一个数字衡量新harness的整体表现，方便进行横向对比。
   • 完整的执行日志: 包括每个样本的输入信息、模型的输出结果、推理过程中的所有中间状态、harness的记忆更新过程等。保留完整的执行日志是Meta-Harness的关键设计之一，因为在长程决策场景中，只有通过完整的执行日志才能追溯harness设计中的每一个决策对最终结果的影响。例如，在在线文本分类任务中，harness可能在第50个样本时决定存储某个示例，而这个决定的好坏可能要到第200个样本时才能体现出来。如果只保留最终的标量评分，提议器根本无法知道这个早期决定的实际影响，也就无法进行针对性优化。

3. 存储阶段（Filesystem Store）: 文件系统存储将本次评估的所有结果完整地存储到文件系统中，为下一轮搜索迭代提供历史经验。文件系统存储的设计简洁且实用：每次评估完成后，系统会自动创建一个新的目录，其中包含四个核心内容：

   • harness.py 文件：存储本次提议的候选harness的完整源代码。
   • score.txt 文件：存储本次评估的标量评分。
   • logs/ 文件夹：包含每个样本的详细执行日志，以 JSON 格式存储，记录了每个样本的输入、输出、中间状态等所有信息。
   • metadata.json 文件：存储本次评估的其他元信息，如评估时间、使用的模型、任务参数等。

   所有候选方案的目录都平铺在同一个父目录下，提议器可以自由浏览、查看任何一个候选方案的任何文件，没有任何访问限制。选择文件系统作为存储介质而非数据库或向量存储，是因为文件系统是当前coding agent最熟悉的交互界面，像Claude Code等主流coding agent已非常擅长通过文件操作探索代码库，这样可以复用已有能力，大幅降低实现成本。

实验验证：在线文本分类

为了验证Meta-Harness的有效性，研究团队在三个差异巨大的任务领域进行了全面的实验验证，实验结果均展现出了显著的性能提升。

第一个实验场景是在线文本分类：这是一个经典的在线学习场景，核心挑战在于如何在有限的上下文窗口中，选择最有用的历史示例放进提示词，让模型在不更新权重的情况下实现高效的文本分类。在此任务中，模型会按顺序接收文本样本，进行分类预测，然后根据真实标签更新harness的状态，例如存储新的示例。

研究团队使用了5个分布外（OOD）数据集，每个数据集包含300个样本，涵盖不同类型的文本分类任务，评估时使用 GPT-4o-mini 作为任务模型。对比基线包括零样本（Zero-shot）、kNN ICL、当前在线ICL的SOTA方法 ACE，以及经典的文本优化方法 OPRO。

实验结果显示，Meta-Harness在5个OOD数据集上的平均精度达到了 75.9%，而作为SOTA的ACE方法平均精度仅为68.2%。零样本方法的平均精度为55.9%，kNN ICL为69.8%，OPRO为68.9%，均大幅低于Meta-Harness。更值得关注的是搜索效率：Meta-Harness仅用 4次搜索迭代，就追平了OPRO方法在60次迭代后的最终精度，这意味着它能以更低的成本、更快地找到优质的harness方案。

实验验证：检索增强数学推理

第二个实验场景是检索增强数学推理：这个实验的目标是求解IMO级别的数学难题。研究团队精选了200道IMO级别题目作为评估集，并构建了一个包含约10000道AMC/AIME竞赛题及其解答的语料库作为模型的检索知识库。

在此场景中，harness的核心作用是管理检索策略。研究团队使用 Claude 3.5 Sonnet 作为提议器，先在 o3-mini 模型上进行harness搜索，然后将发现的最优harness方案直接迁移到其他5个从未见过的模型上进行测试，包括 o4-mini、Gemini 2.5 Pro、Claude 3.5 Sonnet、Gemini 2.5 Flash 等。目的是验证Meta-Harness发现的harness方案是否是通用的检索策略，而非针对特定模型的小技巧。

实验结果发现，Meta-Harness发现的检索harness方案，在5个从未见过的模型上，实现了平均 4.7个百分点 的性能提升。

实验验证：TerminalBench-2 Agentic Coding

第三个实验场景是TerminalBench-2的Agentic Coding：在这个场景中，harness的搜索空间非常丰富。研究团队使用 Claude Haiku 4.5 作为任务模型，Claude 3.5 Sonnet 作为提议器。对比的基线是此前在TerminalBench-2上表现最好的 Claude Haiku 4.5 Agent：Terminus-KIRA，这个Agent是由经验丰富的工程师经过大量手动调试得到的，代表了人工设计harness的最高水平。

实验结果显示，Meta-Harness发现的harness方案在TerminalBench-2上超越了Terminus-KIRA，成为所有使用Claude Haiku 4.5模型的Agent中排名第一的方案。

同时，研究团队也对Meta-Harness的搜索成本进行了分析。在TerminalBench-2上，Meta-Harness总共进行了约 20次搜索迭代，每次迭代的评估成本约为运行一次完整基准测试的费用，总搜索成本约为 几百美元，主要是API的调用费用。对于实际的工业应用来说，这个成本是完全可接受的。

Meta-Harness 的局限性

Meta-Harness并非一个完美的方案，研究团队也坦诚地讨论了其三个主要局限性：

1. 搜索成本较高: 每次搜索迭代都需要在完整的基准测试上运行候选harness方案，这会消耗计算资源和API调用费用。尽管搜索是一次性的，发现的harness方案可无限次复用，但对于资源有限的团队或个人开发者，此成本仍是一个约束。
2. 高度依赖提议器能力: Meta-Harness的优化效果完全取决于coding agent的编程能力、推理能力和信息分析能力。若提议器能力不足，搜索质量会显著下降。
3. 依赖明确的评估函数: 当前Meta-Harness系统假设存在清晰、可量化的评估函数。然而，在许多实际大语言模型应用场景中，定义客观、可量化的评估函数十分困难。没有明确的评估函数，Meta-Harness便无法进行有效的搜索和优化。

实践启示

Meta-Harness的研究为从事大语言模型应用开发的工程师和研究者带来了三个非常实用的启示：

1. harness作用巨大: 在许多场景下，更换一套更优的harness代码，可能比直接更换一个更强的模型，能带来更好的效果且成本更低。
2. 保留完整历史诊断信息: 在模型迭代优化过程中，不要急于压缩和精简反馈信息。完整的执行日志、推理轨迹比简单的评分和摘要更有价值，是找到优化方向的关键。
3. 充分利用coding agent能力: 在2026年的今天，coding agent的能力已经足够强大，能够胜任harness优化、代码迭代、错误分析等复杂任务。与其花费大量的人工时间进行手动调试，不如让coding agent来完成这些工作，大幅提升开发效率。

结论与展望

回顾整个Meta-Harness的研究，我们会发现，它最大的创新并不是某个复杂的算法或模型结构，而是一种设计哲学：与其花费大量精力由系统设计者来设计如何压缩信息给agent看，不如将所有信息都交给agent，让它自己决定看什么、分析什么、改什么。在现有的许多AI优化框架中，设计者总是先入为主地认为agent能力有限，无法处理海量信息，于是主动对信息进行压缩和筛选，但这反而限制了agent的能力发挥。而Meta-Harness则选择信任agent的能力，给它足够的信息访问权限，让它自主探索，最终得到了超出预期的结果。

当然，Meta-Harness的研究还处于早期阶段，但它提出的核心问题——“能不能用AI来优化AI的外挂代码”，已经有了明确的答案。而且随着coding agent能力的持续提升、基础模型的不断进步，这条道路的潜力还远远没有被触及。未来，harness engineering将逐渐成为大语言模型应用开发的核心环节，而以Meta-Harness为代表的自动化harness优化系统，也将成为每个大模型应用开发者的必备工具，让我们能以更低的成本、更高的效率，挖掘出基础大语言模型的全部性能潜力。