HGM-Dual：让规划智能体的 Harness 学会看家谱、分两路改

这篇论文关注智能体的 harness 优化问题。所谓 harness，指围绕一个冻结或闭源大语言模型搭建的提示词、工具和工作流。模型权重改不了，能改的只剩这层外壳，所以 harness 优化成了提升智能体能力的一条现实路径。已有的代表性方法，如 Darwin-Godel Machine 和 Huxley-Godel Machine（HGM），依靠递归式自我改进，让智能体反复修改自己。这些方法主要在编程任务上发展起来，原因在于编程场景里有一个巧合：改进智能体所需要的能力，恰好就是被改进的那种能力。换到规划任务，这种对齐就破裂了。规划任务要求智能体给出一串工具调用，并让彼此相互作用的多个约束同时成立。在这类任务里，开放式的自我修改会一再探索无效的改动，白白消耗大量评估预算。作者因此提出 HGM-Dual，一个由诊断信息引导的框架，目标是让规划智能体的 harness 演化更省预算。

它有两个核心设计：把演化过程表示成带谱系信息的上下文，以及按错误类型生成双路径的子代。HGM-Dual 的第一个设计是 lineage-aware context，即谱系感知的上下文。传统做法常把历史上的智能体堆成一个没有结构的档案，交给编辑器自己去翻。HGM-Dual 改为显式记录每个祖先改了什么，哪些行为变好了，哪些行为变差了，以及哪些修改根本没有效果。这样编辑器拿到的是改动与结果之间的归因关系，能够看出哪类编辑有用，哪类只是白费力气，也就不会在同一条死路上反复尝试。第二个设计是 error-conditioned dual-path child generation，即按错误条件展开的双路径子代生成。对每个被选中的父代，系统生成两类子代。一类是 general child，保持开放式探索，不限定修改方向，保留发现意外改进的可能。另一类是 specialized children，针对父代违反次数最多、排名最靠前的那些约束，先判断 harness 中哪些组件最可能造成这些违规，再只对这些组件动手。

前者保证探索的广度，后者把有限的评估预算压在最可能见效的地方。两条路径合在一起，既不像纯粹的开放式自我修改那样漫无目的，也不会退化成只会局部打补丁的窄搜索。这里的关键在于，诊断信息来自父代自己的失败案例，而不是让编辑器凭空猜测该改哪里。在实验部分，论文以 case accuracy 作为核心指标，也就是在规划任务中，有多少个案例能够让全部约束同时被满足。对比对象包括最强的基线方法，以及 HGM 的多个变体。摘要给出了两组结论。第一组是最终效果：HGM-Dual 相对最强基线，case accuracy 最多提升 14.45%。这里的「最多」说明提升幅度随设置而变化，14.45% 是最好的一档，并不代表每个设置都能达到。第二组是预算效率：要追平 HGM 各变体的最终性能，HGM-Dual 所需的评估预算少 2 倍到 4 倍。

这一点对规划任务尤其重要，因为评估一个候选 harness 往往要把整批案例完整跑一遍，每个候选都很贵，省下的预算可以直接换成更多轮演化或更低的成本。需要说明的是，摘要没有列出具体的基准名称、所用的底层模型，也没有交代消融实验的细节。谱系上下文与双路径生成各自贡献了多少，读者需要回到原文去核对，不宜仅凭摘要下结论。从行业角度看，这项工作回答了一个很实际的问题：当模型本身是闭源或被冻结的，团队只能靠调整提示词、工具和流程来提升智能体，这个调整过程能不能做得更有章法、更省钱。论文的判断是，在编程任务上行得通的递归自我改进，不能原样搬到规划任务上，因为两者对能力的要求不再重合。这提醒工程团队，选择自动化优化方法时，要先看任务本身的性质。谱系感知上下文的思路也有通用价值：给编辑器一份带归因的修改历史，比丢给它一堆历史版本更容易让它学到有效的经验。双路径生成则提供了一种平衡探索与利用的朴素办法，即一部分子代保持开放，另一部分子代对准最突出的错误。对开源社区而言，这类方法可以作为构建可自我演化的智能体系统的参考，用在客服流程、行程安排、资源调度等需要同时满足多重约束的场景。对后续研究而言，值得继续追问的是：诊断信息能否更细致，谱系记录能否压缩而不丢失关键归因，以及这套思路在更长程的任务上是否依然成立。