Harness-Zero 把进化出的智能体外壳蒸馏进 Qwen3.5-9B 权重，宏平均成功率从 23.3% 升到 44.3%，超过保留外壳的 41.7%

论文把“智能体外壳蒸馏”形式化为一个问题：外壳优化只改进模型外部脚手架，收益绑定在该外壳上，而最优外壳随领域、实例和基座模型变化，共享外壳会损失专门化收益，维护多个外壳又要付出路由与上下文、模型调用、工具调用、编排的持续成本。 此前工作（如 Meta-Harness 一类自动外壳优化、模型–外壳协同进化）让外壳与权重互相强化，但收益仍与外壳耦合；Harness-Zero 明确把“把外壳诱导的行为搬进模型参数、部署时只留固定目标外壳”作为目标。 问题陈述由论文引言与相关工作给出，并引用了一项受控编码智能体研究：更换评测外壳对性能的影响大于训练方法，跨外壳收集反馈训练并未改善向留出的最小 ReAct 外壳的迁移。

方法核心是 agent-as-harness：驾驭智能体在学生响应边界拦截每个提案，用私有参考外壳（由进化外壳适配而来）判断是否干预，通过则原样放行，否则给出在学生动作空间内合法的最小连贯替换；被接受的响应经目标外壳执行，观测进入学生可见轨迹，被拒提案与私有审阅讨论留在轨迹之外，最后对接受的响应做 SFT。 与 code-as-harness 把外壳作为包裹学生的代码不同，agent-as-harness 把外壳指导转译为“学生原生动作”的监督，从而跨越源外壳与目标外壳在动作空间和可用信息上的差异；适配方式是把工具变成动作配方、学生侧中间件变成审阅中间件、技能与记忆变成诊断标准与干预指导。 论文给出三阶段流程、审阅协议（每次提交 pass/replace、替换须为完整响应、每轮替换预算在 SpreadsheetBench/AppWorld/USPTO 分别设为 5、3、1 与 5）、以及轨迹过滤规则（剔除含 /components/ 路径、审阅工具名等私有痕迹的轨迹，并掩码审阅者视角的推理片段）。

免训练对比中，带适配参考外壳的 agent-as-harness 在六个基准–模型设置上平均 81.1%，高于 meta-harness 的 78.1% 与 mini-SWE-agent 的 68.6%；参考外壳为空时仅 69.2%，说明增益主要来自外壳指导而非“审阅”本身。 论文报告 agent-as-harness 相对 code-as-harness 平均相对提升 +27.6%，并指出代码外壳把“模型应如何行动”的假设固化下来，模型能力变化后假设会过时，而 agent-as-harness 把适配移到推理时。 Table 1 覆盖 DeepSeek-V4-Pro 与 GPT-5.6 Sol 在 SpreadsheetBench、AppWorld、USPTO 上的结果；两种 agent-as-harness 条件下学生与驾驭智能体为同一模型，因此增益不能来自更强的监督模型。附录 F 补充：相对优势与模型能力相关，在 GPT-5.6 Sol 上 +1.0%、DeepSeek-V4-Pro 上 +4.0%，而在 DeepSeek-V4-Flash 上 -1.0%、Qwen3.6-35B-A3B 上 -12.0%。

蒸馏实验中，Harness-Zero 让 Qwen3.5-9B 在仅保留最小目标外壳时宏平均从 23.3% 升到 44.3%（+21.0 点，相对 +90.1%），超过基座模型仍挂载进化外壳的 41.7%；行为分析显示蒸馏模型在 28 个外壳专属模式上平均恢复 82.3%。 消融显示监督来源比“更强示范”更关键：直接微调 GPT-5.6 Sol 轨迹仍停在 12%，教师挂载进化外壳的轨迹降到 3%，学生挂载进化外壳的轨迹回到 12%，空参考外壳的审阅为 11%，给出 oracle 答案的审阅为 15%，而 Harness-Zero 达 30%；采集成功率并不预测蒸馏价值（oracle 条件采集成功率 98.6% 却只得 15%）。 Table 2 与 Table 3 均从 Qwen3.5-9B 出发、使用同一 500 任务采集集与训练配方、在目标外壳下评测 2 epoch 检查点；Table 4 的恢复率只在“基座模型在进化外壳下出现、在目标外壳下从不出现”的支持任务上计分，基座模型按构造为 0%。

该结果面向在固定最小目标外壳（mini-SWE-agent 风格、单一 Bash 执行工具）下部署的学生模型，适用于需要把领域外壳的程序性行为内化到权重的场景；论文明确说这并不取消外壳的必要性，而是缩小外壳必须提供的范围，并预期随着外壳蒸馏改进，一个最小外壳即可够用。方法需要一次性的外壳进化（本文用 Kimi K3 在 Kimi Code 下做三轮技能引导进化）与外壳适配，以及一个足够强的驾驭模型来采集训练轨迹；采集阶段每步至少两次模型调用，USPTO 上 agent-as-harness 平均每试次 237.2 秒，约为 mini-SWE-agent 的 100.1 秒，这一开销在蒸馏后消失。对读者而言，可直接复用的是“审阅—最小替换—SFT”的流程与组件适配映射（工具→动作配方、中间件→审阅中间件、技能/记忆→诊断标准与失败模式），以及把外壳规则翻译成轨迹检测器来度量内化的做法。

论文自身列出的开放问题包括：方法依赖有能力的驾驭模型，弱模型下审阅可能有害（附录 F 中 Qwen3.6-35B-A3B 上相对 meta-harness 为 -12.0%，且替换了 66.0% 的被审阅步骤却净有害）；SFT 可能无法完全内化进化外壳编码的深层领域知识，USPTO 上蒸馏模型 30.0% 仍低于挂载外壳的 38.0%；部分外壳机制（如上下文管理）无法直接表达为学生响应。未来方向包括：驾驭智能体面临的反事实预测问题，可训练更强的智能体世界模型；当前逐提案审阅且只能整条通过或替换，可用代理信号选择性触发审阅并支持 token 插入、潜空间引导等更细粒度干预；每次替换在同一状态上配对了一个被拒与一个更优响应，偏好学习可利用被响应级 SFT 丢弃的比较信号。读者还应留意：蒸馏实验以 Qwen3.5-9B 为主、报告单次运行的 pass@1，跨基座模型与跨域的稳定性仍需更多证据；本文为全文阅读，但图表数值以正文与附录表格所载为准。