[2026-09-01] HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness?
模型先编写一套能调用工具、修改文件和检查结果的 Agent 程序，再根据执行反馈继续改进。本文说明开发与隐藏评测的边界、真实失败案例、跨模型迁移，以及 2,207 个下游实例上的结果。
# Agent Harness
[2026-09-18] RecreationWorld: Scalable and Verifiable Environments for Hybrid Computer-Use Agents
Agent 一边操作原软件弄清行为，一边写代码复刻，再运行自己的版本检查差异。本文用 Logbert 固定日志案例说明任务与隐藏测试的来源、两种评分通道、五平台结果和训练迁移。
[2026-03-30] Meta-Harness: End-to-End Optimization of Model Harnesses
让 Claude Code 读取历次候选的代码、分数与执行记录，改进包在模型外的运行程序。本文说明搜索过程、真实样例的判分，以及分类、数学和终端实验各自能证明什么。
[2026-09-03] Multi-Harness Reinforcement Learning for Coding Agents: Training Gains and Harness Dependence
同一批编程执行记录，按接口分别比较成绩，或把同题不同接口的成绩合起来比较：两种训练都只有小幅提升，评测接口带来的差异更大；换到未见接口后，谁更好仍没有稳定证据。
[2026-08-17] ClawGym II: Exploring Black-Box RL on Agent Harness
ClawGym II 保留 Claude Code 和 OpenClaw 的工具执行流程，通过模型调用记录和任务评分训练模型。本文解释分支怎样恢复、哪些生成不参与训练，并实际运行公开周报任务的检查程序，核对评分与实…
[2026-09-22] Grow the Harness, Not the Context: From Strategy-Free Scaffolds to Reusable Specialist Agents
从空程序起步，把失败任务暴露出的重复处理步骤写进代码，供后续任务复用。用论文的 Repair 31 案例说明怎样找出错误、修改函数和验收，并核对成功率与成本的计算范围。
[2026-09-08] Co-Evolving Harnesses and Models: On-Policy Correction Helps Weaker Models Catch Up Where Imitation Fails
先为弱模型调整提示、工具和运行时检查，再让它完整模仿强模型，成绩反而下降。本文沿着两条真实失败记录，解释为何改用学生自己的执行记录，只修错误发生的那一轮，并核对数据和实验限制。
[2026-08-23] Learning Generalizable Behaviors for Terminal Agents
RIVER 先检查任务说明、容器和测试程序是否一致，再让强模型各试两次，从原训练集筛出约 3.5K 个环境。两条真实误判记录说明答案泄漏和脆弱测试怎样带偏训练，以及重复操作的扣分加在何处。
[2026-08-18] LEGO-RL: Harness-Native Reinforcement Learning for Coding Agents
LEGO-RL 保留 Claude Code 等编码助手原有的执行流程，记录模型实际生成的内容，再按隐藏测试结果训练模型。用真实进度条修复任务讲清生成记录、任务筛选、评分和训练更新，并区分验证集最高分与最后一次验证。
[2026-09-01] Harness-of-Harness: Multi-Day Autonomous Software Development with Continual Improvement
让现成编码助手反复规划、开发和独立测试同一个项目，保留代码与对应版本的验证记录。结合真实第 70 轮失败记录，核对方法、评分、成本，以及论文设计与公开实现的差别。
