主播
节目简介
来源：小宇宙
翁荔（Lilian Weng），前OpenAI安全系统副总裁，现Thinking Machines Lab联合创始人，其个人博客Lil'Log是全球AI研究者的核心参考来源。2026年7月，她发表长文《Harness Engineering for Self-Improvement》，系统梳理了AI通过外部架构实现递归自我改进的技术全景。
文章的核心概念是Harness——如果把大模型比作"大脑"，Harness就是包围大脑的"身体和操作系统"，负责编排任务、管理记忆、调用工具、执行评估。翁荔判断，Harness设计已经成为决定智能体能力上限的关键工程变量。
在优化路径上，文章将Harness优化划分为五个递进层级：从优化提示词、上下文，到工作流设计，再到让AI直接改写Harness代码本身，最终达到模型权重与Harness的联合优化。翁荔列举了AI Scientist、Self-Harness、Darwin Gödel Machine等前沿系统，展示了AI从复现论文到进化自身代码的实际进展。
但她也冷静指出七大瓶颈：主观任务难以量化评估、长期记忆管理未解、失败结果被系统性忽略、进化中多样性崩塌、奖励作弊（钻测试空子刷分）、工程长期健康指标缺失，以及最根本的——人类应该留在循环中的什么位置。文章附录以PaperBench（AI最高21%仍未超越人类博士）和RE-Bench（短时爆发力强、长期被人类反超）两个基准测试收尾，给出当前真实水位：递归自我改进的拼图正在成形，但距离真正的自主进化，仍有根本性难题待解。
原文链接：https://lilianweng.github.io/posts/2026-07-04-harness/
文章的核心概念是Harness——如果把大模型比作"大脑"，Harness就是包围大脑的"身体和操作系统"，负责编排任务、管理记忆、调用工具、执行评估。翁荔判断，Harness设计已经成为决定智能体能力上限的关键工程变量。
在优化路径上，文章将Harness优化划分为五个递进层级：从优化提示词、上下文，到工作流设计，再到让AI直接改写Harness代码本身，最终达到模型权重与Harness的联合优化。翁荔列举了AI Scientist、Self-Harness、Darwin Gödel Machine等前沿系统，展示了AI从复现论文到进化自身代码的实际进展。
但她也冷静指出七大瓶颈：主观任务难以量化评估、长期记忆管理未解、失败结果被系统性忽略、进化中多样性崩塌、奖励作弊（钻测试空子刷分）、工程长期健康指标缺失，以及最根本的——人类应该留在循环中的什么位置。文章附录以PaperBench（AI最高21%仍未超越人类博士）和RE-Bench（短时爆发力强、长期被人类反超）两个基准测试收尾，给出当前真实水位：递归自我改进的拼图正在成形，但距离真正的自主进化，仍有根本性难题待解。
原文链接：https://lilianweng.github.io/posts/2026-07-04-harness/
外观
