title: "自我改进的 Harness、个人本地 AI 与 YC 的工作智能体"
source_url: "https://www.youtube.com/watch?v=n9xKblqyQ28"
author: "Y Combinator"
excerpt: "公共早报 YC Harness Club 认为，智能体的表现越来越取决于能够协调工具、记忆、子智能体、权限与执行经验学习的自我改进 Harness。"
Brief Description
YC Harness Club 探讨了为何模型周围的软件——即 harness——已成为影响智能体表现的关键因素。演讲者从静态提示与编排出发，逐步转向自我改进系统、持久记忆、个人 AI 以及决定智能体能否在工作中发挥作用的实际安全约束。
Table of Contents
- 为什么 Harness 很重要
- 从静态编排到自我改进
- Prime Agent、记忆与上下文管理
- 本地个人 AI 与权限边界
为什么 Harness 很重要
开场论述了 Harness 不仅仅是模型的包装器。它包含了脚手架、提示词、工具、状态和执行规则，使智能体能够持续完成有用的工作。虽然上下文工程有时被认为不如模型研究重要，但 Harness 的改动能够实质性改变基准测试结果，并决定智能体在困难任务上是否能够成功。
讨论将模型能力的进步与推理时的经验学习进行对比。模型可以在新领域产生大量样本，但传统的上下文学习很快就会饱和；从少量适配步骤转向更大的微调步骤，是一种粗糙的学习方式。提议的机会在于构建一个能够更持续地积累和应用经验的系统。
从静态编排到自我改进
多个示例描述了一个智能体群，其中专业化的工作者搜索论文、开展研究、草拟材料、界定工作范围并汇报进展。在早期版本中，这些角色及其系统提示词和工具选择都是固定的。这可能很有效，但 Harness 本身不会从已完成的工作中改进。
下一步是让系统反思结果并修改 Harness：修订指令、引入有用的技能、更改调用的子智能体，并保留对后续任务有价值的经验。一个元 Harness 可以随时间推移生成和评估候选 Harness。这使得系统的学习目标超出单一答案的范围：它包括创造答案的过程本身。
Prime Agent、记忆与上下文管理
Prime Agent 被呈现为一个实用的自我改进 Harness，而非一个单一的庞然大物。它提供活跃智能体的概览，在有用时启动子智能体，并让系统围绕共享状态协调工作。演讲者强调保持核心 Harness 最小化，同时使其能力足够表达，以完成摘要、委托和检索重要内容。
记忆被视为层次结构而非单一不断增长的提示词。不同形式的状态可以充当工作记忆、持久项目记忆和可复用技能。因此，智能体化上下文管理本质上是一个运维问题：系统必须决定保留什么、检索什么、更新什么或丢弃什么，使之前有用的工作成果得以保留而不至于压垮当前任务。
本地个人 AI 与权限边界
演讲将讨论从编程智能体扩展到个人 AI 技术栈：模型推理、智能体执行、记忆、学习、工具、隐私、安全和质量。本地能力很重要，因为在一个通用交互上训练的智能体可能会误解自己是在独立行动、团队环境还是在 Slack 对话中。
最后的警示是社会背景。人们天然会判断信息可以在哪里分享；智能体需要明确的机制来进行这种判断。当权限薄弱时，敏感信息可能泄露，因此智能体能够安全使用的知识量受限于授权系统的质量。细粒度权限和细微的分享规则是打造有能力的职场助手的前提条件。该项目以开源形式提供，邀请使用者报告问题并贡献代码。