最近读了一篇关于 Harness 自进化的报道，里面有个细节让我停下来想了很久。
停下来的原因，是我们自己也卡在这里：数字员工上线一段时间了，它好像变「顺手」了，但说不清是不是变「聪明」了。这个模糊感，恰好被报道里的三个数字点破。
报道里那家公司说（厂商自报口径）：他们平台上 95% 以上的 Agent 被每天重复运行；在留存用户中，93.4% 的操作是系统自触发的；超过六成的自动化流程持续运行了一个月以上。
大多数人读到这三个数字，看到的是「这家公司用户很多」。我看到的是另一件事：这三个数字加起来，恰好是递归式自我改进（RSI）最稀缺的原料。
一、先说清楚：什么是 Harness RSI
RSI（Recursive Self-Improvement）的目标是让 AI 改进 AI 自己。它有三个层面：
| 层面 | 改进对象 | 难度 |
|---|---|---|
| Artifacts | 产出物（代码、文档、答案）的自我评估与优化 | 低 |
| Harness | Agent 执行任务用的 Prompt、Memory、Tool、Skill、任务剧本 | 中 |
| 模型 | 权重本身，或训练下一代模型 | 高 |
业界的一个关键判断是：RSI 会先从 Harness 层爆发。 一位知名研究员在博客《Harness Engineering for Self-Improvement》里明确提出了这个判断——理由很实在：Harness 是 Agent 已经能读懂、能改写的代码，改完可以立刻用实验验证；而改权重需要训练设施和可靠的奖励信号，这两样现在都还不成熟。
这个判断我在 AutoHarness 那篇 里已经用 Warp 的公开实现验证过一轮：改的是 Skill 配置，不是权重；走的是 PR 评审，不是黑盒训练。
但这里有一个很容易被混淆的概念，必须先拆开：「个性化记忆」不等于「自我改进」。 记住用户的偏好、历史、上下文，Agent 会越用越顺手——但它的能力上限没有变。真正的自我改进，是从大量真实任务的执行和反馈中，迭代 Harness 或模型权重，把能力上限往上抬。前者是习惯，后者才是进化。
二、空房间类比：Harness 是房间，不是脑子
那篇报道里有个类比，值得单独拿出来：
把博士生扔进一个只有纸笔的空房间，智商再高也产不出高质量结果；把初中生扔进有网络、有工具的房间，产出可能更多。
Harness 就是这个房间，以及房间里的工具。 模型是房间里的人——没有好的房间，纯靠模型智力难以发挥。
这也回答了 Harness 价值的定位问题：它解决的不是「模型聪不聪明」，而是「模型能不能把活干成」——连接数据库、读文档、解析结果、失败重试。这些是可行性问题，不是智力问题。
顺着这个定位，就得到了一个工程判断：Harness 自迭代的 ROI 高于基模微调。 解决运营层面的问题，远比解决模型智商层面的问题快。改一条任务剧本是分钟级的事，微调一次是周级的事。
三、真正的瓶颈：数据飞轮
但读完整篇报道，我最大的感受不是「自进化技术很厉害」，而是另一句话：
自进化的核心是真实场景数据的质量：没有高质量数据，单有技术上的自我改进，未必能实现想要的结果。
这就是为什么开头那三个数字让我停下来。Harness RSI 的瓶颈从来不在自我改进的算法，而在有没有足够多、足够高频、足够真实的任务数据喂给它。
报道里的数据机制是这样的：真实用户、行业工作流、专业用户评估，构成反馈数据；每完成一轮真实任务，系统据此优化 Agent 的规划方式、工具调用、记忆、任务剧本、模型路由和故障恢复机制——六个优化对象，全部围绕真实执行轨迹转。
这背后是三个商业命题，也是数据价值的全部去处：
- 更好地解决任务——成功率
- 更快地解决任务——时延
- 更稳定高效地解决问题——可靠性与成本
注意第三个。稳定性是商业落地的分水岭。 早期大模型时代，很多任务已经能自动化，但落不了地——因为跑十次对八次，另外两次的失败没人兜底。只有当 Agent 被每天重复运行、同一个任务跑成百上千次，稳定性才有意义，Harness 的自我修复和自我优化才从「锦上添花」变成「刚需」。
所以那三个数字（95% 每日运行、93.4% 自触发、六成以上持续运行超一个月）的真正含义是：这个平台上的 Agent 已经进入了「工作场景」，而不是「演示场景」。 只有工作场景才天然沉淀持续、可比较的业务执行数据——这是飞轮转起来的前提。
四、客观错误归 Harness，主观错误归后训练
数据飞轮转起来之后，还有一个必须诚实面对的边界：Harness RSI 只能修正客观性错误。
连接数据库失败、文档解析报错、返回空结果——这些有明确对错，Harness 层可以闭环：发现、修复、验证、沉淀。但「这个任务结果做得好不好」是主观判断，Harness 改不动，需要基模的后训练补齐。
所以完整的自进化是两层分工：
客观性错误 主观性错误
（链路断、解析失败） （结果质量好坏）
│ │
v v
Harness 层闭环 评测 + 模型后训练
（任务剧本/路由/恢复） （数据反哺训练）
│ │
└──────────┬───────────────┘
v
完整自进化
# generated by hugo AI
这一点和我在 Agent-as-a-Judge 里说的「没有自动化评测的眼睛，自进化就是盲的」是同一件事的两面：Harness 层的闭环靠客观信号就够，但越往上走，越需要评测系统来当眼睛。
报道里还有一个配套的判断：当数据积累到一定规模，系统会自行决策——何时调前沿模型、何时用垂直模型、哪些经验留在 Agent 层、哪些值得训进模型参数。内部基准显示自训模型比外部 API 更快更便宜。这条路径的终点不是「用上最好的模型」，而是「用更低的成本交付同样的结果」——很多企业本来就用不起最前沿的模型，高效的垂直模型加 Harness 路由，才是商业上可持续的形态。
五、数字员工：天然的 Harness RSI 土壤
把上面的逻辑落到我们自己的场景，结论几乎是顺理成章的：
数字员工是 Harness RSI 的最佳土壤。
回看飞轮的三个原料条件：
| 条件 | 数字员工的天然属性 |
|---|---|
| 高频 | 同一批任务每天重复执行，7×24 不停 |
| 真实 | 跑在真实业务流里，失败有真实代价 |
| 可比较 | 任务同构，执行轨迹可以互相比较 |
这三条，恰好是数字员工的定义性特征。一个一次性的演示 Agent 产生不了飞轮；一个每天跑同样任务的数字员工，天然就在给飞轮蓄能。
报道里的电商 SEO 案例是最好的说明：大量用户提出相似要求，平台积累了大量相似工作流，从宏观层面积累用户反馈数据，最终实现平台级的 Harness 优化——新用户构建 SEO Agent 不再像第一批用户那样反复调优，直接得到满意结果。个体的经验通过 Harness 层变成了所有人的起点。 这就是飞轮的样子。
而六个可自进化的对象，每一个都能直接映射到数字员工的日常：
- Prompt——从失败回复中迭代话术
- Skill——把跑通的流程沉淀成能力
- 任务剧本——修正规划路径
- 模型路由——逐轮把便宜模型换上来
- 故障恢复——我称之为最被低估的一个，见下文
- 消息解析——把解析失败变成解析规则
故障恢复值得多说一句。数字员工 7×24 运行，最大的风险不是任务做不好，而是那些隐蔽的故障——我在 数字员工生产实践 里写过，「进程活着 + HTTP 200 ≠ 大脑活着」：进程还在、端口还听，但到模型网关的链路断了，容器依然完好。这类故障正是 Harness 自我修复的靶子——它不靠人盯，靠系统自己发现「我最近的任务成功率掉了」，然后触发排查和修复。
六、写在最后：基础设施的使用者不再是人
那篇报道的终局判断，我深以为然：
未来生产力工具的使用者不是人，而是 AI。
如果接受这个判断，那么做数字员工、做 Agent 平台的团队，真正在建的东西就不是「更好用的工具」，而是 企业自进化的基础设施——一个让 Agent 在其上反复运行、管理、迭代的底座。工具的形态会变，但「让 Agent 持续运行并从中学习」这个底座不会变。
所以回到最开头那三个数字。95%、93.4%、六成——它们看起来是运营数据，其实是自进化的燃料读数。
如果你也在做数字员工，不妨先问自己一个问题：你的 Agent，今天重复运行了吗？
没有高频重复，就没有飞轮。而飞轮，是自我改进唯一诚实的入口。
你的数字员工现在靠什么变聪明——换模型，还是攒数据？欢迎留言聊聊。