长时程终端代理在单次运行中可能完成任务，但在多次重复执行时会出现失效。随机错误会在动作和上下文之间传播，导致模型能力与可靠执行之间出现显著差距。
RiseHarness 是一种在模型权重保持不变的前提下，迭代改进代理 harness 的框架。它专注于同一配置下既有成功又有失败的任务实例，利用成功运行作为基准进行失败分析。
框架通过运行时监控收集 agent 的轨迹以及内部 harness 跟踪信息，细致检查模型动作如何与指令执行、反馈、上下文管理以及完成判定交互。
收集到的证据会被记录在 Harness Handbook 中，并关联到具体的 harness 行为和源代码，帮助定位跨任务共享机制中的重复问题。
随后，RiseHarness 在其他已有的 harness 框架中搜索对应实现，并将其适配为当前模型和执行协议的设计参考。候选修改会经过行为检查和重复任务评估，只有在测得性能提升的版本才会进入下一轮迭代。
该循环将不同框架的合适机制整合进单一 harness，并利用新的执行证据持续指导后续改动。
实验在多种模型上评估了任务成功率和可靠性，剖析了 harness 执行证据和外部研究的贡献，并在相同模型下将改进迁移至未见基准进行验证。
RiseHarness 将特定模型视为 harness 适配的单位，研究共享交互机制的改动如何提升已有能力在多任务场景中的可靠性。
点评