改进长时程 LLM 代理有两条路径：在冻结模型外部进化 harness，或直接对模型权重进行训练。我们让自我进化的 harness 先提升系统能力，然后交叉种子并让进化后的 harness 与基线模型以及已训练权重一起运行，以辨别哪些收益可以写入权重，哪些仍需运行时补救。
关键在于读取代理的失败组成：对每条失败轨迹标记触发的首个信号，可将失败分为过程失败（调用阻塞、循环、步数耗尽）和内容失败（计划质量差）。进化 harness 能修复过程失败，其行为可以进一步迁移到权重中；而内容失败则是权重训练的目标。
在 DeepPlanning 基准上，自我进化的 harness 循环将 Qwen3.5-4B 的 held‑out 分数从 0.16 提升至 0.30，Qwen3.5-9B 从 0.32 提升至 0.44；4B 模型的交付率从 55% 上升至 90%，而内容失败仍留给权重处理。
我们在进化后的轨迹上训练 LoRA 适配器，结果显示：在原始 harness 下，适配器为两种模型各加 +0.13 的 held‑out 分数；在 4B 上，适配器与 harness 叠加，使 held‑out 分数翻倍；在 9B 上，仅适配器即可匹配完整进化线路的效果，将内容失败比例从四分之一降至二十分之一。相对的，使用答案随机打乱的安慰剂适配器表现不如基线模型。
该循环同样迁移到 WebArena‑Lite（117 项未见任务），提升 +0.09，收益主要来源于模型的感知，适配器未再带来额外提升。
最终得到的诊断‑干预规则是：先读取失败组成决定使用 harness 还是权重；再检查接受的编辑改变了哪些方面，以决定哪些收益应写入权重进行训练。所有分数均为四次 rollout 的均值，对新锚点进行同夜评估（除非另有标记），覆盖六个模型家族的八个模型和两个基准。
点评：本文展示了通过系统化的失败分析，将运行时 harness 与离线权重训练有机结合的思路。实验表明，针对过程性瓶颈的 harness 进化能快速提升基线，而内容层面的提升仍需依赖权重微调或 LoRA 适配器。该两阶段诊断‑干预框架为大模型长期优化提供了可操作的路线图。