Agent 的調優正在遇到一個結構性問題：模型本身已經有相對成熟的訓練與后訓練范式，但模型外部的 Harness，仍主要依賴人工調試。

而 Harness 的調優，包含著大量瑣碎、重復、耗時的臟活累活。開發者只能沿著執行軌跡往回看，再手動調試。這類工作單次看只是調試成本，累積起來就會變成 Agent 落地的工程瓶頸。

最近，我們關注到華為支持的openJiuwen 社區開源了"Auto Harness"—— 一個由評測驅動的、覆蓋 Harness 全棧組件的端到端自動優化框架 。

Harness 的自動化優化，正在成為 Agent 研究和工程領域的一個重要方向。不過，當前學術界和業界的工作主要停留在 benchmark 和研究驗證階段，還沒有形成大規模工程化應用。

JiuwenSwarm 對 Auto Harness 的更新，也成為 Harness 自動化優化領域首次工程化落地。它也補上了 Agent “后訓練”的另一塊拼圖：模型后訓練優化的是模型本身，Auto Harness 則試圖讓模型外部的執行系統，也能在任務反饋中持續進化。

先對齊概念，為什么要 Auto Harness

先快速對齊一下概念。

如果把 LLM 比作大腦，Harness 就是大腦外面那一整套讓它能干活的東西——它怎么知道現在該調哪個工具、怎么記住上一輪發生了什么、什么時候該停下來想一想、什么時候該讓另一個 Agent 接手。

所有這些"能干活"的邏輯，都不在模型權重里，而在 Harness 里。

公式就是那個大家耳熟能詳的：

Agent = Model + Harness

聽起來挺順，問題是這兩邊的進化速度完全不對等。

模型這邊，從 RLHF 到 DPO 到 GRPO，后訓練已經卷出了完整的方法論。模型表現不行？可以訓。

Harness 這邊呢？至今還在靠人手工調。

做過的人應該都有體感——

一個 prompt 改一個詞，Agent 行為大變樣。

一個工具描述里少寫一句"請優先使用"，模型就會自己瞎搞。

一個 rail 鉤子加錯位置，整個 loop 就轉不下去了。

更要命的是，這套手感幾乎沒法復用。換一個場景、換一個垂域、換一個客戶，前一套調好的 Harness 基本得推倒重來。

這就是 Auto Harness 要解決的事。

Auto Harness 到底在優化什么？

openJiuwen 把 Harness 拆成了兩層：底層是所有 Agent 共用的通用底座（Meta），上層是各種可插拔的領域擴展包（Expert）。

Auto Harness 則讓 Agent自己去優化這兩層——你給它一個目標，它就自己生成評測題、自己跑、自己看哪里不行、自己改、再自己驗證。

整個循環里，都不需要人去調研、評測、驗證...

光這么說可能沒什么感覺， 直接看 demo。

Auto Harness 跑起來什么樣

回到開頭那個畫面——我們先把過程詳細拆一下，再看另一個不一樣的 case。

基座層優化（Meta Harness）：Agent 自己抄了 Claude Code 的作業

/auto-harness run --pipeline optimize_meta_harness 調研當前和 Claude Code 在上下文壓縮特性上的差異和不足，吸收提升自己能力

程序員敲完指令之后：

第一步：調研

啟動Meta Harness 優化的 Pipeline，先自己去搜 Claude Code 公開的實現細節，翻文檔、讀源碼、扒 commit history，學習 Claude Code 是如何做上下文壓縮的。

第二步：制定優化計劃

對比當前系統與 Claude Code 在上下文壓縮方面的關鍵差異，然后制定具體的優化任務：

如增加上下文壓縮的可控性，允許用戶通過 hook 攔截或監控壓縮過程，提升系統擴展性。

第三步：動手改

但不是直接動主干，而是開了一個獨立的 git worktree，在里面新加 上下文壓縮 Rail、修改觸發邏輯、補單元測試。改完之后跑 CI，跑掛了自己回頭修，修到 CI 通過為止。

第四步：提 PR

它沒自己合主干，而是給倉庫提了一個 PR，講清楚這次改了什么、為什么這么改、驗證結果是什么。

整個過程拆下來，等價于"自動競品分析師 + 自動 PR 工程師"：

24 小時盯著業界，看到好東西自己抄回來，抄完還自己測、自己寫 PR 說明、自己交。

Meta Harness 優化完整流程如下：

更狠的是，這套機制還可以定時跑。

掛一個任務上去：每 48 小時自動盯一次某個對標產品的更新、自動評測、自動改、自動提 PR——人睡覺的時候，它在幫你吸收業界最佳實踐。

專屬擴展包 (Expert Harness)：給 Agent 配上領域專家

如果說前一個 demo 是"自己改基座代碼"，這一個則是"自己學新能力"。

比如想讓當前 Agent 的辦公能力更強

/auto-harness run --pipeline optimize_expert_harness 提升一下你自己的辦公能力： 擅長做圖文并茂、邏輯清晰的 PPT； 熟練進行 word 操作； 熟練處理財務相關的 excel 表格； 所有生成的文件要做敏感信息檢查，這是硬性約束，在寫入文件前強制檢查

接收指令后，JiuwenSwarm 啟動Expert Harness Pipeline

Agent 跑了一遍自評，診斷結果挺誠實：PPT 排版混亂、Excel 公式錯誤率高、Word 磕磕絆絆，敏感信息檢查缺失。

然后開始設計優化計劃，創建 PPT 生成、Excel、Word 處理、敏感信息檢查等多條優化點，然后開始并行處理。

加工具、加技能、加 Rail、跑測試，全跑通之后生成 Harness Package，直接在 Web 端熱加載激活，Agent 不用重啟，下一秒就能用。

完整流程如下：

味道和前一個 case 完全不一樣——

前者是動基座、改代碼、提 PR。

這一個則是“給 Agent 裝上領域專家能力”——需要什么能力告訴它，它自己學、自己測、熱生效。

而且這些"專家"可以疊加掛載到同一個 Agent：同時掛辦公專家、內容生產專家、合規專家都行。來什么任務，調哪幾個。

一個 Auto Harness，兩種優化路線。基座層慢工出細活，擴展層按需啟動——這是它兩層架構最直接的產品化體現。

這套設計最聰明的地方

case 看完，可以回頭看看 openJiuwen Auto Harness 這套設計真正聰明的地方了。先看路徑——Auto Harness 的兩種優化路徑，對應兩個 pipeline：一個改基座，一個生成擴展包。

但不管走哪條 pipeline，核心都是同一個機制：評測驅動的閉環優化。

跑評測 → 看哪里不行 → 想怎么改（規劃）→ 實施修改 → 再跑評測

Meta Harness 優化在此基礎上增加了定時任務（流程前）、業界調研（流程前）、提交 PR（流程后）。

最值得提的一點是，Meta Harness 和 Expert Harness 的雙層優化架構——既克制又實用。

基座層每次改動后需要提交 PR 評審、合不合入需要人來決定；

擴展層則是跑完即生成優化包，熱加載、即插即用，該靈活的地方足夠靈活。

這種邊界感是同類工作里普遍處理得不太好的——很多論文 /Demo 一上來就追求"全自動"的故事，但真要往生產環境里放，沒有這條邊界，沒人敢用。

Swarm 能不能后訓練？

單 Agent 的 Auto Harness 搞定了，隨之而來的是 Swarm 群體優化。

openJiuwen 社區已經設計好了下一步：Swarm Post-Training。

單個 Agent 再聰明也有上限。一個寫代碼的 Agent 再強，對于大型工程也很吃力；一個做調研的 Agent 再厲害，也難以全面覆蓋復雜的盡調。

真正的答案在多 Agent 協同里——

Swarm 里的每個 Agent 的 Harness 隨群體協同自動優化。

Agent 的整個后訓練范式，從"模型變強 + 單兵變強 + 團隊變強"，會被串成完整一條線。

• Model Post-training：讓模型自己變強；

• Auto Harness：讓單個 Agent 的 Harness 自己變強；

• Swarm Post-Training：讓一群 Agent 的協作自己變強。

這三件事如果都能各自跑起來、還能互相打通，那 Agent 這件事的"工程化天花板"就被整體頂上去了。

回到這次更新本身，Auto Harness 的意義不只是新增了一個功能，而是把 Agent 落地中的一個關鍵問題推到了臺前：當模型能力逐漸接近，真正拉開差距的，往往是模型外部那套 Harness。

同一個模型，放在不同的上下文管理、工具編排、權限控制、錯誤恢復和任務驗證體系里，最終表現可能完全不同。過去，調 Harness 更像一門手藝，依賴工程師經驗，也依賴大量試錯。Auto Harness 試圖把這件事變成一套可評測、可迭代、可回滾的工程流程。

這也是 openJiuwen 持續推進的方向。此前，社區已經提出 Coordination Engineering，關注多智能體如何分工、協作和沉淀經驗；這一次 Auto Harness 則進一步補上了單個 Agent 如何自我優化的問題。

從單個 Agent 的 Harness 自動進化，到多個 Agent 的協同優化，JiuwenSwarm 想要構建的，不只是更強的 Agent，而是一套可持續進化的 Agent 工程體系，引領 Agentic AI 時代的 AgentOS 標桿。

openJiuwen 再下一步的 Swarm Post-Training ，我們也拭目以待。

上手試用

參考 JiuwenSwarm 快速開始：https://openjiuwen.com/jiuwenswarm#quick-start

安裝啟動 JiuwenSwarm 后：

# 啟動后輸入 /auto-harness 觸發

相關子命令