arXiv 上挂了篇 AutoDesign（2608.13560），做的是论文自动生成会议海报。我第一眼扫到标题里的 Meta-Harness Optimization，心里"哦"了一声，差点划过去——又是 prompt 搜索换了个名字吧。
后来把图重画了一遍，才发现它讲的是我一直画错的那件事：大多数人优化的是模型，这篇优化的是模型外面那圈壳。
"harness"这词你肯定见烂了。见烂和画开是两回事。来，画张图：
┌────────────── harness（工具架）──────────────┐
│ 工具集 调用顺序 重试规则 编辑循环策略 │
│ ┌──────────────┐ │
│ │ model │ ← 你天天想换的是这个
│ └──────────────┘ │
└──────────────────────────────────────────────┘
模型只管"这一步生成什么"。外面那圈壳管的是"它能看见什么、能调什么工具、错了怎么退、什么时候收手"。你换模型，换的是图里那个小方框，壳一动不动——然后你说"效果还是不行，果然模型不够强"。
这话听着耳熟吧。每次新模型一放榜，大家的第一个动作都是换模型；换完没起色，就等下一个。壳那一层从来没人碰，因为壳不性感，它不像一个能直接下下来的东西。
打个比方：模型是厨子，harness 是厨房动线。同一个厨子，备菜台在走廊尽头、锅铲搁另一个房间，出菜又慢又难吃。你把米其林那位请来，动线不改，照样手忙脚乱。
这比喻顺手，但漏风的地方得先标出来，免得你拿它推太远——厨房动线改一次就定死了，harness 不是。这篇论文干的事，恰恰是让一个智能体没完没了地改这圈壳。比喻能帮你抓住"同一批模型，壳不一样、结果差很多"这一层；再往里，它装不下。
先说这层能抓多稳。论文里有个数字比最高分有意思：七种受控的"代码智能体 + 模型"组合，模型不动，只把学出来的 DesignHarness 装上去，PosterBench 平均分从 54.99 涨到 67.39，相对提升 12.4%。
七种组合，全都涨。
分量在"受控"两个字上。不是挑一个最好的组合出来报喜，是控制变量——壳换掉，模型不换。榜上那个最高分你没法信，因为每家工具、重试、编辑策略都不一样，分不清是模型的功劳还是壳的功劳。这个实验把壳那一层单独切出来称，答案就摆在那儿：你要问 harness 值几个点，就是这 12.4 个点。
Main Track 最高分 78.32，比闭源商业系统 Claude Design 高 7.45。这个我不太想多聊，跨系统比分这种账，条件差一点结论就翻。前面那个受控实验才是能拿走的东西。
等等等等，先别收。真正让我坐直的是标题里那个 Meta。
我第一版把它的机制画错了。当时画成这样：
rollout 反馈 ──► 优化器 ──► 改 prompt ──► 再跑一遍
一条线。把"反馈驱动的优化"直接联想成 prompt 搜索，挺自然，也挺错。
后来盯着"工具架"这个词看了半天才反应过来：它改的不是 prompt，是整圈壳——工具集本身、调用顺序、重试和编辑的策略。而且改壳的不是人，是一个代码智能体：读上一轮的 rollout 反馈，去改壳的代码，改完再跑。
重画：
┌────── meta-harness optimizer ──────┐
│ 读 rollout 反馈 │
│ │ │
│ ▼ │
│ 代码智能体 ──► 改 harness 代码 │
│ ▲ （工具/顺序/重试/ │
│ │ 编辑循环） │
│ └────── 再跑一遍 ◄────────────┘
└─────────────────────────────────────┘
（model 在这张图里一次都没被改）
咔哒一下扣上了 ✨ ——"meta"这两个字不是修辞，它就是"再包一层"。模型不动，壳自己迭代。
这也正是厨房那个比喻装不下的地方：动线不是人定的，是被另一个圈一圈一圈改出来的。你以为优化是"人在调参"，其实这层优化本身也被写成了一个 agent 在跑。
这毛病我不是第一次犯。上次画 RAG，第一版漏了"判断查回来的东西相不相关"那一格，图画得顺得像条直线，结果怎么都对不上现象。同一个病根：把递归的圈画成了一条线。这回差点又漏掉"改的是壳、不是模型"这一格。
跑题一句：PosterBench 除了 100 篇论文的主集，还专门切了个 10 篇的 mini 子集做受控对比。控制变量的老办法，土，但能让人信。这个设计我挺想单独画一期……算了，先拉回来。
再说个数：全自主跑的时候，40 分钟里 253 次工具调用、11 轮编辑，成本不到 3 美元，人工评估到了会议海报的平均水平。
253 次摊到 40 分钟，大概九秒多一次。这个密度比"不到 3 美元"有意思——说明它是一小步一小步往前蹭的，不是憋一次大调用糊出来的。你自己写过 agent 的话，这个节奏应该能对上体感：真正跑得动的长任务，步子都是碎的；一次憋个大的，多半中途就崩了。
还有一处我到这会儿也没完全画明白：那 11 轮编辑里，有多少是在"改壳"，有多少是在"回滚上一轮改坏的壳"。这个区分对理解它怎么收敛挺关键——是稳步往上爬，还是试错再往回退。我还没找到能把这两者拆开讲的地方，先放这儿，看懂了再补。
画开完了。照例留个自检：现在你能不能用自己的话讲明白，harness 和 prompt 差在哪？一句话说不出来的话，多半是"壳"和"壳里的指令"这两层还糊在一起——你试着把它们画成两层，画不出来，就说明没分开。
下期想画开哪个？我手上候选有三个：embedding、KV cache，还有一个是"为什么同一个 prompt 昨天好使今天不好使"。哪个你最想看？
本期画开：换模型是最懒的优化。太酷了。