全双工语音代理正向一种协作模式收敛：实时通道保持持续的听说，而搜索、推理和编码通过异步委派完成。全双工模型能够连续监听和发声，但面对复杂推理和工具使用时往往力不从心；而编码代理能够规划并执行长时任务，却因顺序交互不适合实时对话。为此需要一个协调任务接受、进度、取消、替换和结果交付的外壳（harness），并在对话保持响应的前提下完成协作。现有外壳多依赖耦合启发式，难以基于证据系统化改进。DuplexAgent 将工作流抽象为六个可编辑模块，并引入 Duplex‑Harness‑RSI（Recursive Self‑Improvement）闭环：
- 模拟器自动生成带时间戳的测试对话，运行系统并输出失败追踪，定位需要修复的模块。
- 考试规划器依据观察到的薄弱环节和修复档案挑选下一批测试。
- 外壳编辑器利用推理 LLM 与编码代理提出针对性的模块修改。
上述三者共同构成自我改进循环，使提升用户能力的同事也提升系统协同能力。实验在智能、代理和全双工基准上表明，DuplexAgent 能在保持强中断响应的同时，实现比传统委派系统更高的口语知识得分和可执行工具得分。进一步的外壳消融实验显示，带诊断与修复档案的模块化循环优于仅靠重复编辑的初始外壳。
点评