把Harness拆成插件,美团*中科大PluginRSI实现Agent分块式自进化

Everything is a plugin（万物皆插件）。

--DeepSeek Harness

同样一个大模型，换一套Harness，任务完成率会出现巨大差别，于是学术界兴起了Harness递归自优化，让另一个AI智能体阅读任务执行记录，找出失败原因，自动改写整套Harness代码，迭代出更好的智能体外壳，全程不需要改动底层大模型权重，成本远低于重新训练模型。

但旧的进化模式有一个绕不开的痛点：一改写就是全盘重写，好点子容易丢，经验无法沉淀复用。如果把每次修改背后的判断规则做成一个可替换、可验证的插件，下一个智能体遇到类似任务时，就有机会直接用上它。中国科学技术大学、美团、武汉大学和新加坡国立大学提出的PluginRSI 研究的正是这件事。

过去主流的Meta-Harness、DGM这类自进化算法，工作流程很直白：

• 拿出当前完整的整套Agent外壳程序；
• 另一个AI智能体通读全部代码和任务失败记录，直接修改整个Harness；
• 生成新版本，跑任务评估效果；
• 拿新版本继续下一轮迭代。

这种“整体大改”的模式有两个致命短板：

• 很难单独测试某一个想法：Harness里面混杂记忆逻辑、工具逻辑、角色提示、执行流程，一堆机制耦合在一起。如果你想测试“优化记忆检索逻辑”这个点子，修改记忆模块之后，流程、工具全部跟着一起变，你分不清性能变好/变坏，到底来自记忆，还是别的模块。
• 来之不易的好机制容易被覆盖丢失。比如这一轮迭代摸索出一个非常好用的终端报错反馈逻辑，但下一轮全盘改写Harness的时候，AI一不小心就把这段优秀代码删掉。每一轮进化都在推倒重来，经验很难代代积累，经常反复收敛到差不多的方案，浪费大量计算资源。

当几个机制写在同一段程序里，往往得重新读代码、拆依赖，再做一轮验证。

PluginRSI的核心思想是不要反复改写完整Agent外壳，把Harness拆成一个个独立插件（Plugin），进化零件，把验证有效的零件存入共享工具箱，后续拼装新Agent直接复用这些成熟零件。

PluginRSI 里有两个分工不同的 Agent。Solver 使用当前 Harness 做任务，留下工具调用、执行轨迹和评测结果。Proposer 阅读这些材料，提出插件和工作流的修改方案。搜索过程中，两个底座模型都保持固定。上一轮产出的 Harness、插件和运行反馈会进入下一轮，递归发生在这个优化闭环里。

每一个插件是一个独立、有标准接口的小模块，分为四大类：

每个插件包含两部分：一份YAML配置（输入输出格式、参数）+一份Python实现代码，接口标准化。

而完整的Harness = 一批挑选出来的插件 + 一套Workflow工作流脚本。

Workflow不写复杂业务逻辑，只负责调度：什么时候调用哪个插件，插件输出如何流转，控制整个任务循环。业务能力全部下沉到插件当中。

整个优化循环分为两大阶段：插件变异（Plugin Mutation） + Harness重组（Harness Recomposition），再配合一个不断扩容的共享插件库。

这套设计把两个容易混在一起的问题分开了。一个机制本身能否改好，可以通过替换插件来试。几个机制怎样配合，交给工作流来试。

每一轮迭代，系统并行生成多组实验：

• 从验证集挑选一批均衡小批量任务，里面混合一半做对、一半做错的案例；
• Proposer智能体看这套任务的执行轨迹，定位失败根源；
• 只选中其中某一个插件做修改，Workflow、其余所有插件原封不动。只改这一个零件，其余环境完全不变；
• 在小批量任务上测试修改后的插件。如果改完之后任务正确率提升，这个新版本插件就存入公共插件库L；没有提升就直接丢弃，不影响当前Agent。

变量只有一个可以让性能变化明确归因到这个插件改动，不会混杂其他干扰。优秀的改进版本永久入库，不会被后续改写删掉。

举论文中真实发现的插件改进例子：

原始记忆插件简单根据关键词匹配召回历史记录，经常返回大量重复信息。变异后的插件增加去重逻辑，优先返回从未展示给大模型的新证据，大幅减少冗余信息干扰。这个改进版本直接入库，可以给之后所有Agent调用。

同样，终端工具插件进化出失败感知反馈，不仅返回命令输出，还自动识别隐藏在成功返回码下的测试报错，给Agent补充失败提示。角色插件进化出修复范围控制，约束AI不要胡乱大范围修改代码。这些全部作为独立零件保存。

插件库已经积累一堆经过验证的插件，现在来组装新一代Agent外壳：

• Proposer智能体读取本轮插件变异的全部实验结果；
• 从插件库挑选一批有价值的新旧插件；
• 修改Workflow调度逻辑：调整插件调用顺序、信息传递方式，重新编排协作流程；
• 拼装成完整的Harness，在完整验证集评估整体性能。如果整体效果更好，就作为新一代 incumbent（当前最优Agent）进入下一轮循环。

简单说：阶段一专注打磨一个个零件，阶段二负责挑选零件，设计零件之间如何配合，组装出新整机。两者缺一不可。消融实验证明，去掉任意一个阶段，性能都会明显下滑。仅仅拥有插件库，但没有变异+重组流程，不会带来明显收益。

论文在三大类任务开展测试：软件工程（SWE-bench Verified真实GitHubbug修复）、命令行操作（Terminal-Bench-2.1）、多领域问答（数学、法律、医学、金融等），对比ReAct、ACE、GEPA、DGM、Meta-Harness等主流基线方案。

在两种不同提案大模型（GPT-5.6 Terra、Kimi-K3）条件下，PluginRSI都显著超过Meta-Harness。

• 使用Kimi-K3做优化，未见的测试集（held-out）解决率达到69%，对比Meta-Harness 63%，高出6个百分点；
• 使用GPT-5.6 Terra优化，未见测试集达到65%，高出基线10个百分点。

非常关键的一点：进化得到的Harness具备跨模型迁移能力。

用Kimi-K3迭代出来的Agent外壳，直接套给GPT、GLM模型，不需要再做任何优化，依然维持明显性能优势。现实场景中，我们经常需要把一套Agent方案迁移到不同底座模型，这一特性有很高实用价值。

在数学、法律、医学、金融、科学多领域问答数据集上，在见过的训练域提升巨大；跨完全陌生领域收益会变小。作者也指出，不同学科需要完全不同的策略，插件的跨领域复用本身存在天然天花板。

对比Meta-Harness，PluginRSI可以用更少的累计模型调用次数，得到更高性能的Agent。并且验证集上的提升，能够同步反映在未见测试集上，过拟合风险更低。Meta-Harness经常出现在训练任务上越来越好，但陌生任务性能波动、提升有限。

经过多轮迭代，插件库从初始75个增长到132个插件。有趣的统计现象：插件数量暴涨，但Workflow调度代码依旧很短（不到300行）。大部分复杂度沉淀到各个插件零件中，Workflow保持简洁可控。

如果从头启动一个全新Agent，直接加载已经进化完毕的插件库，仅仅两轮迭代，未见任务解决率就能冲到69%；而从零开始进化，同样步数只有65%。也就是说，沉淀下来的插件工具箱，可以加速未来其他Agent的迭代进化，实现进化经验的传递。

这项工作也客观指出现存的短板：

• 当前实验在固定任务集迭代，现实世界任务分布持续变化。随着迭代进行插件库会越来越庞大，如何管理、裁剪海量插件是待解决问题。
• 跨差异巨大的领域时，插件迁移增益有限，未来需要做多领域联合优化。
• 插件变异的逻辑假设是改动一个插件，其余组件不变。但有些能力提升需要同时修改多个插件+Workflow协同改动，当前单插件修改流程很难发现这类机制。
• 插件变异阶段会带来一定token开销，相比Meta-Harness，输入token增加7.5%，输出token增加约19.8%，成本有所上升。

过去Agent自进化，是整机迭代，每次修改整个Agent外壳，容易丢失宝贵局部经验。

PluginRSI提出零件化迭代范式：

• 把Agent外壳拆解成标准化插件零件；
• 通过插件变异独立打磨单个零件，有效方案存入共享工具箱；
• 通过Harness重组，挑选零件、编排调度流程，组装新一代智能体；
• 整个进化过程形成一个持续生长的工具库，不仅提升当前Agent，还加速未来其他Agent的优化。

它给出一条现实可行的递归自我改进路径：不需要改动大模型权重，聚焦改进包裹模型的运行外壳，把进化的成果沉淀为可复用组件。

论文地址：https://arxiv.org/pdf/2609.32423