Harness演化遇到上限后：按失败结构决定是否训练权重

改进长期LLM Agent可以演化冻结模型周围的Harness，也可以训练模型权重。我们先让自演化Harness增强系统，再交叉比较初始与演化Harness、基础与训练权重，研究训练模型保留了哪些增益、哪些仍依赖运行时。选择合适改进手段可以依据Agent的失败构成：按失败轨迹中第一个触发信号分类，可区分流程失败，如被阻断调用、循环和步数预算耗尽，与内容失败，即已经交付但质量差的计划。Harness演化修复前者，它形成的行为可训练进权重，内容失败则需要权重训练。在DeepPlanning中，自演化Harness将Qwen3.5-4B的留出分数从0.16提升到0.30，将9B模型从0.32提升到0.44；4B模型的留出交付率从55%提高到90%，内容失败留给权重解决。在演化Harness轨迹上训练的LoRA适配器吸收了增益：使用原始Harness时，两种模型的留出任务得分均增加0.13。4B适配器与Harness叠加后，使留出分数超过原来的两倍；9B模型仅靠适配器便追平完整演化方案，将内容失败从约四分之一轨迹降到约二十分之一。用打乱答案的轨迹训练的安慰剂适配器低于基础模型。该循环迁移到WebArena-Lite的117个未见任务后提高0.09，而此处收益来自模型看到的信息，适配器没有额外增益。结果支持两次应用“先诊断再干预”：先读失败构成以选择Harness或权重，再读已接受修改的内容以决定哪些增益应训练进模型。分数为相对于新锚定参照的四次Rollout均值；除特别标注外，评测在同一晚进行，覆盖来自六个家族的八种模型和两种基准。