论文信息#

• 官方链接：https://arxiv.org/abs/2604.25850v3 （PDF: https://arxiv.org/pdf/2604.25850v3）
• 代码仓库：https://github.com/china-qijizhifeng/agentic-harness-engineering（MIT）
• 作者：Jiahang Lin 等（Fudan University / Peking University / 上海齐吉智峰）
• 版本：v3，2026-04-30

一句话摘要#

AHE 将 harness 拆成可追踪的文件组件，从运行轨迹中提取改进线索，再通过评测验证修改。在 Terminal-Bench 2 上迭代十轮后，pass@1 从 69.7% 提升到 77.0%。

方法#

• 组件可观测性：把系统提示、工具、middleware、memory、skill、sub-agent 等拆成文件化组件（NexAU 风格），支持最小改动、可回滚、可差分验证。
• 经验可观测性：通过 Agent Debugger 从交互轨迹中提取分层证据，支持从摘要追溯到具体记录，为下一轮改进提供依据。
• 决策可观测性：每次编辑都附带可验证预测，下一轮任务评测验证其有效性，只有达成预期提升的改动被保留。

关键实验结论#

• 主任务：Terminal-Bench 2 pass@1 从 69.7% → 77.0%（10 轮迭代），超过 Codex-CLI（71.9%）、ACE 与 TF-GRPO。
• 迁移性：冻结最终 harness 在 SWE-bench-verified 上也保持优势，并减少约 12% token；对 3 类其他模型有 +5.1 到 +10.1 的提升（pp）。
• 消融分析：性能收益主要来自 tool/middleware/long-term memory 等结构化组件，而非单纯 system prompt 文案改写。

局限与讨论#

• 实验主要围绕 Terminal-Bench 2 与 SWE-bench-verified，未覆盖更广泛实际工程场景；
• 迭代步骤与预算依赖研究设定，跨模型/跨预算的泛化需进一步验证；
• 自动改写带来的长期治理、审查与安全边界仍需更强机制约束。