一篇由 Michael Nguyen 与五位合作者提交至 arXiv 的预印本研究（编号 2609.02889）挑战了自进化 LLM 智能体研究中的一个常见假设：把包裹冻结模型的整套文本提示视为一个连续、扁平的字符串来演化。作者提出，这种“一键式”改写掩盖了不同提示组件之间的差异，使研究者无法判断改进究竟来自何处。为此，他们提出 HARNESSEVO，将智能体的文本 harness 解耦为四个可以独立演化的槽位：角色设定、任务策略、工具/格式规则、反思与控制。
为了在相同计算预算下公平比较，研究者使用同一个反思式优化器，并引入 leave-one-in（只允许某个槽位进化）与 leave-one-out（从完整流程中移除某个槽位）的归因方法。在 ALFWorld 基准上、使用冻结的 7B 参数骨干模型时，HARNESSEVO 的端到端二值成功率为 0.657，对比原始 harness 与扁平字符串演化的 0.642，并没有获得统计上显著的整体提升。但槽位层面的归因显示，几乎所有有效价值都集中在反思/控制槽：单独演化这一槽位可带来 +0.119 的提升，而其他三个槽位单独演化时均为无效改进。
论文还解释了为何常见的“均匀切分预算”会适得其反。假设一次优化过程共有 64 次 rollout，若像许多管线那样平均分给四个槽位，每个槽位只能获得 16 次，低于该反思式优化器的有效搜索下限。结果是每个槽位都停留在空种子状态，看起来仿佛所有组件都不值得优化。相反，当研究者把预算集中在归因分数最高的反思/控制槽后，之前在平均分配中被抵消的收益被重新找回，并在只用拆分预算一半的情况下把成功率提升到 0.761。这一结果说明，计算资源均分并不是一种中性的选择，而是会主动削弱结构化智能体演化的效果。
值得注意的是，上述现象并非普遍规律，而是依赖任务类型。在 WebShop 实验中，所有槽位都保持空种子冻结状态，所有演化方法的表现也几乎相同。作者认为，WebShop 任务中并不存在反复出现、能够被语言化并被反思优化器利用的控制失败，因此问题不在预算不足或搜索能力受限，而是缺少真正可优化的对象。综合结果，研究者提出了三点建议：智能体框架的优化价值是高度局部化的；把预算均匀分配到不同提示组件可能弊大于利；在开展结构化智能体演化之前，应当先做信用分配，优先把资源投给真正造成失败的核心槽位，而不是试图均匀打磨所有提示。