论文提出按失败构成判断该改 harness 还是训练权重

一篇 arXiv 论文研究了长程 LLM agent 的两条改进路径：演化外部 harness 或训练模型权重。作者用首次触发的信号给失败轨迹打标签，区分过程失败（阻塞调用、循环、步数耗尽）与内容失败（交付结果质量差），前者由 harness 修复，后者留给权重训练。在 DeepPlanning 上，自演化 harness 将 Qwen3.5-4B 的 held-out 分数从 0.16 提到 0.30，Qwen3.5-9B 从 0.32 提到 0.44。用演化轨迹训练的 LoRA 适配器在原 harness 下为两个模型规模各加 0.13，4B 叠加后 held-out 分数翻倍以上，9B 上适配器单独即追平完整演化线，内容失败从四分之一降到二十分之一。该流程在 WebArena-Lite 的 117 个未见任务上额外提升 0.09。