DarwinX：通过自然选择进化 Agent 架构
一个被忽视的事实：能力不只来自权重
大多数人讨论 Agent 性能时，焦点几乎全在底层模型上——换更强的模型、做更多微调。但这篇论文提醒我们一个简单却深刻的事实：Agent 的能力同样取决于 harness——包括 prompt、工具、技能库和控制流程。
DarwinX 的核心主张是：不需要动模型权重，只通过进化 harness，就能在冻结的模型上获得大幅能力提升。他们在四个基准上平均提升约 17 个百分点，模型全程没有更新过一次权重。
现有自我改进方案的两个致命缺陷
现有的 Agent 自我改进方法大多采用单谱系搜索（single-lineage search）：Agent 不断修改自己，保留好的改动，丢弃差的。DarwinX 指出这种做法有两个致命问题：
路径依赖——早期的修改会锁定后续搜索方向，导致进化过早停滞。就像一个人从小养成了一套学习方法，即使不是最优的，也很难跳出这个框架。
跨任务干扰——让一个任务变好的改动，往往会让另一个任务变差。在混合任务分布上进化时，许多 prompt 和工具修改在小子集上赢了，但在完整基准上输了。
三个核心组件
1. 保真扩展契约（Preserve-and-Extend Contract）
这是整个系统的选择规则。一个候选变体想要「存活」，必须满足严格条件：在至少一个任务上获得改进，同时不能退化父代已解决的任务。净增益必须为正，且有界回归不超过阈值 δ。
设计有两层速度：准入阶段相对宽松（允许有噪声信号进入），但只有通过严格 avg@k 重测和保真探针的变体才能影响后续搜索方向。这让搜索快速推进，又不让运气累积。
2. 种群档案与重组（Archive + Recombination）
DarwinX 保留所有变体，包括全局来看「输了」的。为什么？因为一个整体表现差的变体，可能是唯一解开某个特定任务的变体。
当不同分支的变体各自擅长不同任务时，DarwinX 进行合并（merge）：合并增量编辑，生成继承所有父代胜场的子代，且仅当子代覆盖了所有父代已解决任务的并集时才保留。合并操作只能增加覆盖，不能退步。
在 TerminalWorld 实验中，四个专家分别解决 24、25、26、27 个未见任务，合并后的 harness 解决了 28 个，超过每一个单独的专家。
3. 统一学习信号接口
DarwinX 不固定训练配方，而是定义信号接口，当前实现三种信号源：
失败衍生信号（∇）：从失败轨迹提取缺失能力。教师衍生信号（π*）：从更强求解器的成功轨迹蒸馏方法。自衍生信号（Δ）：对比自身同任务上的成功和失败轨迹。
三种信号对应不同任务状态：失败信号用于普通变异，教师信号用于碰壁任务（无成功样本），自衍生信号用于方差带任务（有成功也有失败）。
实验结果
Terminal-Bench 2.1
在 GPT-5.5 上从 75.5% 提升到 83.2%（+7.7），在 GPT-5.6 Sol 上达到 84.7%（已验证的前沿）。进化后的 harness 在新增解决的 6 个任务上花了两倍轮次和四倍 token，但在已解决任务上几乎不增加计算量。这不是暴力搜索，而是学会了「什么时候该继续干下去」。
TerminalWorld 泛化
在 41 个完全未见任务上达到 68.3% pass@1，超过 Claude Code（65.9%）和所有现成 Agent。由于训练集和测试集完全隔离，这是真正的泛化能力。
WebArena-Infinity：从合成到真实
最苛刻的测试——在合成任务上进化的浏览器 harness，冻结后直接在 1,260 个真实任务上评估。audit-clean pass@1 从 43.5% 飙升到 93.0%，无效轨迹从 293 条降到 17 条。能力和合规性同时提升。
SWE-bench Verified 零样本迁移
在 TB2.1 上进化的 harness，不做任何修改直接跑 SWE-bench Verified，达到 84.2%。进化出来的是通用 Agent 能力，而非基准特定补丁。
工程启示
DarwinX 对 Agent 系统设计者的启示很直接：Harness 是一个可独立进化、可跨模型迁移的能力载体。在 GPT-5.5 上进化出的 harness 迁移到 Opus 4.8 上依然有效。
这意味着：harness 可以作为资产在模型代际间复用，保真扩展契约是值得借鉴的改进守则（任何改进都不应以退化为代价），种群搜索比单谱系搜索更鲁棒——即使某些变体全局表现不佳，它们可能持有重组所需的关键片段。
冻结的模型不需要是固定的 Agent。Harness 选择将评估计算转化为持久能力。