大语言模型智能体在不更新模型参数的前提下，可以通过执行经验持续改进，这类方法通常被称为harness自我进化。其效果高度依赖一个前提：模型能否真正按照harness给出的指导行动。来自arXiv的一篇新论文由Zhihao Yang等十位作者完成，指出这一前提并不总成立，harness带来的收益会随模型能力不同而显著分化。
研究团队在七个模型和三个基准上进行了系统测试，共找出103个任务与技能的组合，这些技能对能力较强的GPT-5.6-luna平均带来31.1分的提升，却让较弱的Gemma-4-E4B下降8.8分。更值得关注的是失败原因：在弱模型失败的运行中，有86%的情况所违反的要求其实已经明确写在技能文本里。也就是说，问题并非信息缺失，而是这些指导对弱模型来说难以转化为可执行的步骤。
基于这一观察，作者提出“技能适配”这一思路：不改变任务目标，而是重新表述既有技能，使指导与执行者自身的能力相匹配、更易落地。为此，他们先在工具调用、上下文管理、指令遵循和结果验证四个维度上诊断失败模式，再把这些诊断提炼成一个固定的元技能，用于在harness自我进化过程中指导技能改写。
实验显示，在元技能的引导下，一个能力较强的外部改写器Kimi-K3即使不接触任何执行证据，也能完成技能适配。经其改写后的技能使三个较弱的执行器相比原始技能提升5.1至14.1分，说明适配本身就能带来可观收益，而不必依赖反复试错。
作者进一步把适配嵌入五轮自我进化循环：每一轮中，模型依据自己的执行轨迹与验证器反馈修订自身技能。覆盖从Gemma-4-E4B到Kimi-K2.5的七个执行器，加入元技能后最终得分比不使用元技能的同一循环稳定高出2.0至5.1分。
论文认为，这些结果为设计更有效的harness自我进化方法提供了实用指引：技能设计不能假设所有执行器具备同等能力，而应把“让指导可被执行”作为进化的核心目标之一。该论文共24页，含12幅图和4张表，属于机器学习、人工智能与计算语言学期刊分类，于2026年10月10日提交至arXiv。