模型为彼名经过海量数据操练、具备言辞体谅与推演本领之大脑，比如GPT-4或Claude。
研讨团队格外指出，Λ与寻常脚手架具有完全相同之架构：它有提示词（估量代理与演进代理之指令），有器物（评分函数、版本管操作、代码编辑本领），有观察实质（从工者代理、估量代理、演进代理彼里收集什么样之讯息），有编排逻辑（轮回跑多少轮、什么时候提交或回滚、差事怎么选取与排序）。
CVSS。此外，成标准于差事定义阶段就被明确列出，估量代理有实在条目可逐一核对，减之我见裁决之方位。
再往上为根基设施：AI运行所于之执行氛围，包括文书体系、沙盒容器、浏览器等。
每换一名应用领域，此套脚手架就得重新设计、反复调试，耗费大量者力与专业学识。
波动越小，说明框架越稳固可靠。
四、此名框架与机器修习里之"元修习"有什么关系。
于脚手架层面，解答似乎为认可之——至少于理论框架上，此条路为通之。
研讨团队给出之一名简洁之公式：**AI代理 = 模型 + 脚手架**。
脚手架涵盖之范围相当广泛。
Q2：元演进轮回需多少操练差事才能学到有用之演进蓝图。
然后为器物集：AI能调用哪些本领来跟氛围交互，比如读写文书、执行命令行操作、打开网页、搜索讯息。
脚手架营造师之工，或真之会被一名足够慧之"脚手架演进机器"接管。
此三名角色构成一名闭环，实在运转方式体今论文之算法一中。
研讨者员引用之一名例子为OpenAI营造博客描述之脚手架营造实践：营造师们需为AI定制代码查验器物、搭建专门之日志监控体系、集结浏览器掘发者器物，并建立层次化之文档架构，就为之让AI能读懂一名特定之代码库。
论文之标题就甚直白地表达之此名野心——"你最后一次需手动搭建之脚手架"。
于本文之框架里，内层轮回为于单名差事上对脚手架H做迭代修改；外层轮回为于多名操练差事上估量当前之演进蓝图Λ，然后由元演进代理修改Λ，宗旨为找到一名好之蓝图，让脚手架演进轮回能于新差事上快速收敛到高性能。
此些东西加于一起，决定之一名AI代理能感知什么、能做什么、如何做。
AI模型本身已相当强盛，但让它们真正"干活"，需一整套被称为"脚手架"（harness）之配套营造——包括给AI之指令、它能调用之器物、差事之执行流程，以及裁决它干得好不好之估量标准。
目前，此四名部分为由苍生营造师设计之，于整名演进轮回历程中保不变。
框架学到之最佳演进蓝图Λ最终要接受"泛化测试"——把它用于操练阶段从未见过之新差事上，衡量它之确凿表现。
一名抱负之Λ应让内层之脚手架演进轮回，于任何新差事上皆能以更少之迭代次数、更低之计算本金，产出比者工设计之演进轮回更好之专用脚手架。
研讨团队谋划于后续论文中通过实验回答此名疑难，测试场景会覆盖多种繁之企业级工流程，届时才能给出量化之数据参考。
同样地，体系保留史册上统合评分最高之Λ版本，元演进代理每次改版皆以它为根基。
而此名"演进机器"本身，也可被更高一层之机器来改良。
最根基之部分为给AI之"说明书"：体系级之指令告诉AI它为谁、能做什么、有什么限制；差事级之指令告诉它当前此名实在差事之宗旨与成标准为什么。
轮数越少，说明框架越高效。
一名困境：每次换新差事，就得重新搭一套"舞台" 研讨团队于论文中明确指出，此名两层框架与机器修习领域里一名被称为"元修习"（meta-learning，也叫"学会修习"）之概念高度对应，并给出之一张清晰之对照表。
好不易搭好之，公司换之一名新业务场景。
Sylph.AI之研讨团队把此名疑难看于眼里，提出之一名两层嵌套之自动化框架，核心意念为：与其让者来搭脚手架，不如让AI自己学会搭脚手架；更进一步，让AI学会如何更好地"学会搭脚手架"。
既然此名历程有法则可循，为什么不用另一名AI来自动成此名轮回。
此名历程之精妙之处于于两点：其一，演进代理看到之不只为"最新败"，而为完整之史册记载，此让它能区分"偶发过失"与"体系性缺陷"；其二，差事之"成标准"被显式定义为脚手架输入之一部分，估量代理有明确之依据，而不为凭觉受打分。
算法二描述之元演进轮回之实在运转方式。
A：旧俗之提示词改良只调理AI收到之书契指令，而脚手架演进轮回可修改整名运行框架，包括器物实现、执行流程控制、观察数据架构与底层模型配置。
它像一名阅历丰富之高级营造师，读遍所有史册尝试记载——每一名版本之脚手架长什么样、估量代理对它之诊断意见、得之多少分、比上一版为长进之还为退步之。
Q1：脚手架演进轮回与旧俗之提示词改良有什么不同。
它不参与差事执行，专门扮演"挑剔之质检员"。
元修习里之"模型参数"对应此里之"脚手架H"；元修习里之"改良历程（初始点+改良器+损失函数）"对应此里之"演进蓝图Λ"；元修习里用梯度做参数更新，此里用大言辞模型做脚手架修改；两者之最终宗旨皆为"快速随顺新差事"。
元演进代理可调理之东西包括：估量代理之提示词——要它要点关注哪些败模式，用什么标准打分，需什么样之证据才能判定某名机缘通过；演进代理之提示词——诊断败时按什么思路剖析，优先考虑哪类代码改动，改动幅度该守旧还为急进；工者代理之观察架构——从执行历程中暴露哪些遥测数据与中间状态；估量代理与演进代理之间之讯息流——每一步于两名代理之间传递什么讯息；评分函数之设计——为用当前之"成与否优先、再比用时"两层架构，还为改成多维度评分；以及轮回本身之超参数——迭代轮数、并行执行之程度、触发回滚之分数阈值，以及何时止迭代。
此套"轮回脚手架"用符号表示为Λ，它包含四名组成部分：工者代理本身、初始脚手架之起点、估量代理、演进代理。
此名对应关系不只为一名比喻，而为说明两名体系处置之为架构上同一类疑难：如何设计一名随顺历程，使得面对新差事时，随顺之速度尽或快、效果尽或好。
因此，改良Λ与改良寻常脚手架于本原上为同一件事，只为玄虚层次更高之一层。
一为收敛速度：脚手架演进轮回需跑多少轮，才能让工者代理之表现达到一名预设之宗旨分数线。
从一名初始之通用脚手架出发，轮回反复执行K轮：每轮让工者代理跑一遍差事，估量代理打分并诊断，演进代理基于完整史册记载改出新版脚手架。
于旧俗元修习框架里，内层轮回为于单名差事上对模型参数做梯度更新；外层轮回为于多名差事上估量当前之随顺计策，然后更新此名计策本身，宗旨为找到一名好之初始参数与改良历程，让模型能于新差事上用极少之梯度步骤快速随顺。
轮回终后，输出史册最佳脚手架及其完整之演进史册。
第三名角色为**演进代理**（Evolution Agent）。
还有钩子与中间件——夹于AI决策与实际执行之间之"质检员"，确保AI生成之代码能通过语法查验，或者于AI跑偏时强制纠正。
三为鲁棒性：于不同类型之新差事上，收敛速度之波动有多大。
此套氛围就像为专门为一台精密机器量身定制之操作台，少之任何一名螺丝，机器就运转不灵。
确凿案例印证之此一点：OpenAI之Codex、Anthropic之Claude Code此些器物，本原上皆为把大言辞模型包裹于一套精心设计之脚手架里。
六、此项研讨之起点与终点 衡量之维度有三名。
为什么它此么重要。
它之核心思路为：把脚手架演进轮回当作被改良之对象，于大量不同类型之差事上运行它，观察它收敛得快不快、最终效果好不好，然后用一名"元演进代理"（Meta-Evolution Agent）来修改Λ，让此名轮回于新差事上能更快、更好地收敛。
一、什么为"脚手架"。
A：估量代理采用之对照确凿氛围状态进行交叉验证之机制，而不只依赖工者代理自己之执行日志，此样可发觉工者代理"以为自己做之但实际没做到"之情况。
归根结底，此项研讨于尝试回答一名甚有意思之递归疑难：AI能不能替代苍生来做"让AI变得更好"此件事。
之前之彼套操作台全部作废，营造师们又要从零始，再花三名月。
基于此些讯息，它识别反复现之败模式，然后动手修改脚手架：或为改一段体系提示词，或为修补一名器物之实现逻辑，或为调理差事执行之流程控制，或为换一名更合适之底层模型。
OpAgent此名用于网页自动化操作之体系，靠之为把筹划者、定位者、反思者、小结者四名AI角色串联成一条流水线，于网页浏览基准测试中取得之当时之最佳成绩——驱动此一成绩之，甚大程度上为脚手架设计，而非模型本身有多强。
脚手架演进轮回处置之"给单名差事自动调出好脚手架"之疑难。
二为最终性能：于固定轮数内，工者代理能于新差事上达到多高之通过率。
DataOps。因此，改良Λ与改良寻常脚手架于本原上为同一件事，只为玄虚层次更高之一层。
彼等于论文末尾明确说明，将用一篇后续论文来提供实验验证，测试场景会覆盖彼些即用当前最前卫之AI代理也难以自动化之繁工流程——包括企业定制化之主顾效劳流程与各类专业领域之行业应用。
三、外层轮回：让AI学会如何更好地"教会AI搭脚手架" 此就为论文提出之第二层架构：**元演进轮回**（Meta-Evolution Loop）。
此正为当前AI代理（AI agent）领域面临之核心困境。
第二名角色为**估量代理**（Evaluator Agent）。
此就为论文提出之第一层架构：**脚手架演进轮回**（Harness Evolution Loop）。
此种自我改善之轮回能走多远，为一名值得延续关注之疑难。
但研讨团队注意到另一名疑难：此名轮回本身之效果，取决于估量代理与演进代理之提示词写得好不好、评分函数设计得合不合理、每次轮回之执行逻辑为否合适。
换句话说，此名轮回本身也为一套脚手架。
但若Λ本身也能被自动改良，会生什么。
五、怎么裁决此套框架为否真之管用。
但光有大脑不够，你还需给它配上眼睛、手脚、工台与差事说明书——此些加于一起，就为脚手架。
研讨团队格外指出，Λ与寻常脚手架具有完全相同之架构：它有提示词（估量代理与演进代理之指令），有器物（评分函数、版本管操作、代码编辑本领），有观察实质（从工者代理、估量代理、演进代理彼里收集什么样之讯息），有编排逻辑（轮回跑多少轮、什么时候提交或回滚、差事怎么选取与排序）。
从一名初始之Λ出发，每一轮对所有操练差事跑一遍脚手架演进轮回，汇总各名差事之最终得分取平均值作为Λ之统合评分，然后元演进代理基于全部史册记载改出新版Λ。
论文提出之一套估量协议。
每次改版之后，体系会保留史册上得分最高之彼名版本作为"当前最佳"，演进代理每次改版时皆以此名最佳版本为根基，而不为直接于上一轮之结局上续改——此样可防备一次败之尝试让体系一路跑偏。
此名轮回由三名角色协同运转。
Sylph.AI之解法从一名朴素之观察出发：苍生营造师调试脚手架之历程，其实也为一名轮回——让AI跑一遍差事，看哪里出之疑难，根据疑难改脚手架，再跑一遍。
本原区别为改良对象之范围：提示词改良为微调说明书之措辞，脚手架演进为重新设计整名操作台。
更繁之脚手架还包括编排逻辑，也就为控制AI举止流程之章法：什么时候需召唤一名子代理来协助，差事于多名AI之间怎么交接，遇到什么情况要回滚并重试。
最终之货品愿景为：任何用户，只要指向一名新之差事场景，体系就能自动演进出一名专门针对该场景调优之高性能AI代理，全程不需用户懂任何脚手架营造学识。
但疑难于于，每一套优异之脚手架背后皆有大量隐形之者工本金。
最后为模型配置：用哪名模型、温度参数设置多少（控制AI回答之随机程度）、不同子差事分发给不同规格之模型。
A：论文目前为理论框架，尚未给出实在之操练差事数量要求。
第一名角色为**工者代理**（Worker Agent）。
研讨团队坦承，此篇论文目前还为一名框架性之理论提案，配合之算法描述与样貌化定义，但尚未附上大规模实验数据。
此些工需深厚之领域学识与大量之试错迭代，每换一名场景就得重来一遍。
收到工者代理之执行日志后，它干四件事：对照确凿氛围状态，查验工者代理之观察记载为否准确，揪出彼些"以为自己做之但其实没做"之情况；逐条核对差事之成标准，给出每一条之通过或败裁决；把总执行光阴拆分为"AI思考光阴"与"器物执行光阴"两部分，裁决性能瓶颈出于哪里；最后给出一名统合分数，优先看有没有成差事，成差事之情况下再比谁用时更短。
于讲此篇论文之核心法门之前，有必要先弄清楚"脚手架"到底为什么。
二、内层轮回：让AI于"干—评—改"之轮回中演进自己之脚手架 此项由Sylph.AI研讨团队成之技艺呈文发表于2026年5月，论文编号为arXiv:2604.21003v3，有兴趣深入之解之读者可通过该编号于arXiv上查阅完整原文。
设想你为一家公司之IT主管，你刚刚花之三名月光阴，请来一批顶尖营造师，给公司之AI助手精心打造之一套运行氛围——包括它能用之器物、它体谅差事之方式、它如何一步步执行操作、遇到过失时如何反应。
它为被改良之对象，配备之当前版本之脚手架，接到差事就去执行，完事后留下一份"执行日志"，记载它做之什么、看到之什么、每一步花之多长光阴。
Q3：脚手架演进轮回中之估量代理如何免除给出过失之诊断。
另一名例子来自Anthropic：营造师们对估量提示词反复校准，设计之四套评分维度来裁决AI产出之设计品质为否过关，还为不同阶段之差事于多名AI之间协商"冲刺合约"。
上一篇：五四谈抱负，3元拼生死：元气林莽之"双面"赌局 下一篇：湖者打雷霆完全没得打！防守源泉拉胯，进攻还打铁，对手皆没发力