研究议程｜Harness² × RSI：任务内适配与跨任务改进如何形成闭环？

[ydflow]

长期研究问题

Trail 希望探索：个人助理能否在可靠执行和可控记忆基础上，为当前任务选择更合适的执行方式，并将经验证的经验用于未来任务？

本帖是研究议程。尚未在 Trail 证明融合效果，欢迎对假设、边界与实验设计提出反例。

两层改进与一条证据链

Harness² 原论文 v1 讨论任务内的 Propose–Probe–Compose 修订，以及从修订中提取经验、改善后续 harness 的递归层次。

Trail 拟议的适配包括：

• 任务内层：在明确预算中提出候选、运行受限探测、组合当前任务的执行方式。
• 跨任务层：用版本化候选承接 prompt、skill、hook、流程或配置改进，经过沙箱和评测后审核晋升。
• 个人记忆层：保存经验的来源、适用条件、版本、反例与用户纠正。
• 验证层：以固定任务集、留出数据、等预算基线与回归检查约束结论。

这里将“受控 RSI”操作化为候选生成、隔离验证、审核晋升与回滚的循环。Trail 的评价器、组合评分和权限约束属于自身工程设计，不能直接当作原论文 verifier-free 协议的复现。

研究边界

首批可修改对象是 prompt、skill、hook、工作流和配置。候选不能修改自己的评测规则、获取真实凭证、扩大工具权限，或自动覆盖用户确认的记忆。递归深度、费用、运行时间与产物数量都需要上限。

研究产物先离线比较，生产晋升保留人工审核和回滚。模型权重训练不属于当前交付范围。

第一轮建议怎样比较

对照	要回答的问题
固定 harness	已有基线能做到什么
等预算额外采样	收益是否仅来自多花预算
仅任务内适配	当前任务修订贡献多大
仅跨任务改进	提炼经验是否泛化
记忆与两层融合	组合收益、退化与代价分别是什么

除了正确性，还应单列来源质量、恢复率、费用、延迟、人工纠正和权限违规。公开样本数、重复次数、失败案例与负结果。

邀请讨论

哪类个人任务适合第一轮最小实验？如何判断经验值得迁移？怎样防止评分投机、测试集泄漏和多轮递归的成本失控？

实施任务：轨迹评测 #28、Harness² #31、RSI 外循环 #32、融合消融 #33。

---

社区导航 · 项目愿景 · 实施 Roadmap