本文介绍 HarnessMM（Harness Minus Minus），一种通过受保护的决策复用和递归自我改进（RSI）提升 Harness 令牌使用效率的方法。RSI 在训练阶段不断利用工具反馈细化伴随的 Harness 配置，并通过验证阶段挑选最优配置用于实际部署。模型‑工具边界的控制器在保持 actor 权重不变的前提下，复用已经解析的决策，以取代后续的推理回调。
可执行决策图（Executable Decision Graph）记录了精确的动作、字面参数、因果依赖以及公共守卫（public guards）。当观察到相同的收据时，受保护的决策复用（Guarded Decision Reuse）会激活这些持久化决策；认证回调替换（Certified Callback Substitution）通过原生接口执行决策，并记录已移除的慢回调。若出现新语义决策、未支持的证据或选择器弃权，则重新调用原始 actor。
该表示限制了反馈能够修改的范围，同时通过完整任务的测量来评估质量与成本。实验结果显示：在 HumanEval 基准上，HarnessMM 将 Codex 的成功率保持在 90.82% 的同时，将每任务令牌数从 66.72k 降至 47.02k，节省 29.54%；在 DeepSeek Harness 上，成功率从 71.43% 提升至 85.71%，令牌数从 96.28k 降至 11.62k，节省 87.93%。另外，MBPP 的消融实验表明，单次使用图的成本降低 26.91%，相较于保留回调的成本降低 19.52%。这些结果证明，受保护的决策复用是降低现有 Harness 重复推理开销的实用手段。
点评：HarnessMM 通过结构化决策存储与递归优化，实现了显著的令牌节约和性能提升，为大模型工具调用的成本控制提供了可复制的范式。