meta-harness

本文探讨了如何通过评估框架如Meta-Harness来验证AI代理的自我进化是否真正改善，强调了代理修改、评测和部署决策之间的权力分离，以防止虚假进步。

auto-gpu-kernel 1.0 版本已发布，这是一个能自动生成高性能 GPU 内核的元级工具。

本文解释了AI智能体系统的四个架构层次——循环、图、工具链和元工具链——强调可靠的智能体不仅依赖于模型强度或提示，更依赖于系统架构。

斯坦福和MIT的研究论文表明，围绕LLMs优化Python工具链可以带来高达6倍的性能差距，而无需更改模型权重，类似Meta-Harness的系统能够自动化上下文进化。

ACE (Agentic Context Engineering) 引入了一个框架，将上下文视为不断演化的剧本，防止上下文崩溃，并提高在智能体和特定领域基准测试上的性能。该工作强调了 harness engineering 作为模型训练数据引擎的潜力。

对构建自我进化AI代理的两种方法的技术分析：基于模型的方法（通过像SSMs或具有快速权重更新的transformer等架构，以及训练方法）和基于工具的方法（通过内存或能够自我重写的元工具）。作者为不同受众提供了实用建议。

Databricks 发布了 Omnigent，这是一个用于组合、控制和共享 AI 智能体的元工具链，验证了元工具链的方法。

Matei Zaharia 宣布开源 Omnigent，这是一个用于AI代理的元框架，支持通过组合Claude Code、Codex和Pi等工具来构建多代理编码和自定义代理，并增加了实时协作和控制策略。

作者主张，为 AI Agent 设计的人工结构框架应被 AI 自主构建的工程架构所取代。文中引入 Three Regimes Framework，阐述这一转变如何释放中型模型的潜能。结合 Meta Harness 等项目的实践，作者预测 AI 将很快实现对其自身系统架构的自主优化。