9月17日，智谱分享了一项进展：由GLM-5.3驱动的Infra Agent，参与搭建和优化GLM-5.3-Flash推理基础设施。
据智谱介绍，不到两周，系统端到端吞吐量提升至初始基线的3倍。
模型参与优化系统，系统再反过来支撑模型运行。围绕递归自我改进（RSI）的讨论，开始有了可以观察的工程过程。
如今，唐杰参与的一篇新论文，又将这个问题推进到了Agent的工作方式上。
让Agent回看自己的执行记录，找出失败和浪费，再自动修改运行框架。改完之后，继续执行、继续评估、继续迭代。
这次，团队还给自我改进加上了一项要求：能力提高的同时，执行成本也要降下来。
10月19日，清华大学、智谱、上海交通大学、华威大学与快手的研究者公布HarnessPro。
在使用GPT-5.5与Codex的三个基准上，其性能优先版本相比此前方法RHO，平均通过率提高2.0个百分点，平均单任务执行成本降低26.1%。
这篇论文关注的核心是：Agent能不能从过去的执行经验中，学会更有效地使用现有模型？
01
Agent复盘自己，
再动手改自己
HarnessPro首先让现有框架执行任务，收集工具调用、环境反馈、Token消耗等记录，再交给轨迹分析Agent检查。
它既要找出任务失败的原因，也要识别重复搜索、无效探索和冗余检查。
为减少偶然因素影响，分析时会结合同一任务的多次执行记录。
诊断结果随后交给规划Agent，分别生成偏向省钱、平衡成本与性能、优先提高性能的修改方案。
框架编辑Agent负责把计划落实成可运行的新版本。不同方案在独立工作区实现，并通过Git记录修改，方便追踪和回退。
这套流程修改的是Agent可复用的工作方式。
例如，执行中反复读取同一份材料，就检查信息复用机制；迟迟停不下探索，就调整预算和收尾规则。
通过评估留下的新框架，还会继续接受下一轮分析与修改。
02
每轮改进，
都要过测试与成本两道关
框架能够自动修改，还需要可靠的办法判断它有没有进步。
HarnessPro在进化过程中不使用标准解答和官方测试，而是让测试生成Agent根据任务描述及初始执行记录生成测试。
测试随后固定下来，所有候选使用同一套标准接受检查。
相比直接让大模型阅读记录、判断任务是否成功，生成测试将初步实验中的失败召回率从41.7%提高至83.3%，找出了更多被遗漏的错误。
筛选分两步进行：先淘汰验证表现低于初始框架的候选，再移除被其他方案全面超过的版本。
例如，一个版本费用更高，成功率还更低，就没有必要保留。
其余候选则根据性能与成本的差距加权选择，留下Lite、Medium、Heavy三种取向，进入下一轮改进。
这样，系统既保留冲击更高成绩的版本，也保留适合较低预算的版本，避免所有修改都朝着“增加计算换成功率”的方向走。
03
通过率提高，
执行成本降低26.1%
团队在Terminal-Bench 2、SWE-Bench Pro和ProgramBench上进行了评估。
使用GPT-5.5与Codex时，HarnessPro的Heavy版本相比RHO，三个基准的平均通过率提高2.0个百分点，平均单任务执行成本降低26.1%。
其中，Terminal-Bench 2的通过率从76.3%提高至80.8%，平均单任务费用从1.09美元降至0.72美元，减少33.9%。
Medium则展示了另一种取舍：在SWE-Bench Pro上，通过率为79.0%，接近RHO的80.0%，平均单任务费用却从2.68美元降至1.26美元，减少53.0%。
检查最终框架后，团队发现，改进主要涉及按任务分配推理强度和工具预算、提醒Agent适时结束探索，以及压缩重复日志和冗余指令。
这些修改让计算更多地用于必要分析与验证，也减少了执行中的重复消耗。
26.1%的降幅对应改进后框架执行任务的平均成本，比较对象是RHO，框架搜索与评估本身的投入需要另算。
HarnessPro给出的结果是：基础模型不变，Agent通过反复改进工作方式，仍能做得更好、花得更少。
