自动化智能体优化的演进
从 ADAS 到 Meta-Harness，自动化智能体系统优化经历了从"搜索 agent 设计"到"搜索 harness 代码"的演进。两者共享代码空间搜索的核心思想，但在反馈粒度和搜索机制上有显著差异。
发展脉络
第一代：ADAS / Meta Agent Search (2024)
ADAS 提出了一个开创性的研究方向：自动设计智能体系统。Meta Agent Search 是其代表性算法：
- 搜索对象：整个 agent 的
forward函数（Python 代码） - 搜索空间：图灵完备的代码空间
- 反馈机制：档案库（archive）存储先前发现的代码和分数
- Proposer：FM（GPT-4）作为元智能体
- 搜索模式：迭代生成，强调新颖性和有趣性
局限性：
- 档案库信息相对压缩（主要是代码和分数）
- 元智能体无法查看详细执行轨迹
- 依赖 LLM 直接生成，而非 coding agent
第二代：Meta-Harness (2026)
Meta-Harness 专注优化 LLM 系统中的 harness（外围代码），在 ADAS 的基础上做了关键改进：
- 搜索对象：harness 代码（提示构建、检索、状态更新策略）
- 反馈机制：完整文件系统访问——源代码、分数、执行轨迹
- Proposer：Coding agent（Claude Code）而非原始 LLM
- 搜索模式：自由探索文件系统，无固定父代选择规则
关键差异对比
| 维度 | ADAS / Meta Agent Search | Meta-Harness |
|---|---|---|
| 搜索目标 | 完整 agent 设计 | Harness（LLM 外围代码） |
| 反馈粒度 | 代码 + 分数 | 代码 + 分数 + 执行轨迹 |
| 每迭代上下文 | 数千 tokens | 高达 10M tokens |
| Proposer | LLM 直接生成 | Coding agent（有工具） |
| 信息访问 | 档案库（结构化） | 文件系统（自由探索） |
| 因果推理 | 有限 | 深层因果推理（识别混淆因素） |
| 搜索效率 | 需 30 次迭代 | 4 次评估匹配基线 |
核心洞察的演变
- 代码空间搜索是可行的（ADAS 证明）→ 代码空间搜索可以更高效（Meta-Harness 证明）
- 压缩反馈会丢失关键信号：ADAS 的档案库受限于 LLM 上下文窗口，Meta-Harness 通过文件系统突破了这一限制
- Coding agent > 原始 LLM：Claude Code 可以用
grep、cat等工具主动探索历史，而非被动接收固定 prompt - 执行轨迹是关键：消融实验表明，摘要无法替代原始轨迹的诊断价值
对未来的启示
- 自适应访问外部上下文是趋势（RAG → 渐进式记忆 → 文件系统访问）
- 随着编码 agent 能力提升，最小化搜索结构可能是更好的策略
- 从"搜索 agent 设计"到"搜索上下文管理策略"，优化粒度在细化
- 未来方向：co-evolve harness 和模型权重
Timeline
- 2024-08: ADAS 论文发表，奠定代码空间搜索的基础
- 2026-03: Meta-Harness 论文发表，展示完整历史访问的威力
- 2026-04-13: 整理进 KB，梳理演进脉络