摘要
StarHarness 把企业 Agent harness 作为可搜索的外部程序空间，按失败模式和 verifier 结果分层，用 proposer-visible、hidden selection 与 held-out evaluation 隔离搜索和泛化，并只接受通过验证且改善隐藏选择集的 patch。它是持久 harness 自进化和企业工作流验证的代表，不是严格 Agentic RL。（来源：原始论文记录（本地存档），pp.2-9）
核心内容
- 搜索空间覆盖 prompt/task framing、工具 schema、参数预处理、skills、MCP、subagent、上下文、验证和 finish logic；patch 经过 scope/import/smoke 检查后才评估。（来源：原始论文记录（本地存档），pp.2-4）
- ITBench SRE、EnterpriseOps-Gym 和 AutomationBench Finance 使用 Kubernetes、SQL verifier 或程序化 assertions；作者报告相对 GEPA(Pi) 分别提升 13.8、22.3、17.6 points。（来源：原始论文记录（本地存档），p.5）
- GPT-5.4 的 paired baseline 到 evolved harness 在三项任务上为 40.0% 到 75.0%、23.3% 到 43.7%、57.1% 到 83.2%；但同时改动多个 harness 层，不能据此分离单个 patch 的因果贡献。（来源：原始论文记录（本地存档），pp.6-9）
相关页面
- 概念：Harness Optimization、Self-Improving Harness、Recursive Self-Improvement
- 实体：StarHarness
- 主题：LLM Agent Self-Improvement
来源
- 原始文件：原始资料（本地存档）
- alphaXiv：https://www.alphaxiv.org/abs/2608.24804
- arXiv：https://arxiv.org/abs/2608.24804
- GitHub：https://github.com/ServiceNow/StarHarness
- 定位信息：pp.1-9
待核实问题
- 代码状态核实（2026-08-28）：论文给出的 GitHub 仓库可访问，但只有一个
README.md，内容为 “Coming soon.”，没有实现、许可证、配置或复现脚本；因此当前不能把它写成“代码已公开”。（GitHub） - 仍待独立复现：三个企业 benchmark 的提升、跨模型迁移和 patch 级归因；样本规模与每环境 4-12 个 accepted changes 也限制外推。