在冻结或闭源的大语言模型（LLM）上，利用 harness optimization（即改进代理的提示、工具和工作流）已成为提升代理能力的关键手段。已有方法如 Darwin‑Godel Machine 和 Huxley‑Godel Machine（HGM）通过递归自我改进实现了显著提升，但它们主要针对编码任务，改进所需的能力与被改进的能力高度一致。
规划任务要求代理生成一系列工具调用，以共同满足相互约束，这种需求打破了上述一致性。开放式自我修改在此类任务中往往会产生大量无效改动，导致评估预算被大量消耗。
为了解决这一问题，本文提出 HGM-Dual，一种面向预算高效的诊断引导框架。首先，HGM‑Dual 将代理的演化过程记录为 血统感知上下文，明确标记每个祖代的修改内容、行为提升或退化以及无效改动，从而为编辑器提供结构化的编辑‑结果对应关系，而不是无序的历史代理集合。
其次，HGM‑Dual 引入 错误条件双路径子代生成：对每个选定的父代，生成一个保持开放探索的通用子代，同时生成若干专注于父代最高约束违背来源的专用子代。实验表明，HGM‑Dual 在案例准确率上相对最强基线提升最高 14.45%，且在保持与 HGM 变体相当的最终性能的同时，仅使用 2‑4 倍更少的评估预算。
点评