有一个场景，可能很多带过团队的人都遇到过。
你手下有个能力一般但踏实肯干的员工，你专门给他搭了一套顺手的工作流程：模板文件、检查清单、固定的汇报格式，都是照着他的做事习惯量身定做的。用了这套流程之后，这个员工的表现突飞猛进。你想，既然效果这么好，不如再找个厉害的高手，让这个员工跟着高手学几招，是不是能更上一层楼？
结果高手来了之后，同样用这套流程，干得比你的员工还漂亮。你满心欢喜地把高手的操作录下来，让员工照着学。学完之后你傻眼了：员工的表现不但没变好，反而比学之前还差了一大截，有些任务甚至直接跪了。
这不是虚构的段子，而是一篇最新论文里真实发生的实验现象。研究者们把这件事翻来覆去研究了一遍，找到了背后的原因，而这个原因跟我们直觉里"跟高手学习总没错"完全相反。
**核心问题：两套优化手段，凭什么会打架**
先说清楚这篇论文在研究什么。
现在做AI智能体，比如那些能自动查数据库、跑脚本、操作网页的AI程序，业内公认有两个可以调的旋钮。第一个叫做harness
（harness：指包裹在AI模型外面的一整套支撑系统，包括给模型的系统提示词、能调用的工具、执行过程中的检查钩子、以及如何管理上下文信息，这些东西共同决定了AI能看到什么、能做什么）
第二个旋钮是模型本身的参数，也就是通过微调的方式让模型的"脑子"发生改变。业内比较流行的轻量级微调方法叫LoRA
（LoRA：全称Low-Rank Adaptation，一种不用重新训练整个大模型、只调整其中一小部分参数就能让模型适应新任务的技术，好处是几个GPU小时就能跑完，成本很低）
过去一段时间，学术界发现单独调harness这件事威力惊人。有篇论文（Yang等人2026年的工作）显示，给一个便宜的小模型精心设计一套harness，能让它在企业级任务上的表现逼近昂贵的顶级大模型，成本却只有后者的一个零头。这个发现让很多人兴奋，因为企业场景里最在意的就是成本，动辄调用GPT-4级别的大模型跑批量任务，账单会很吓人。
那么问题来了：harness调好了，模型权重这个旋钮要不要也顺手调一下？两个旋钮加在一起是不是效果更好？这篇论文要回答的正是这个问题，而答案比预想的复杂得多。
研究者选了七个真实的企业级任务作为测试场，包括工资单审计、预算审批、股票预警、物联网设备异常检测、浏览器自动化、网站后台管理、代码重构。这些任务的特点是步骤多、跨度长，而且结果可以客观打分，不是靠人主观感觉。
他们先用一个较弱的模型（阿里的Qwen3-Coder，300亿参数但激活的只有30亿）针对这七个任务分别进化出专属的harness。进化的方法有点像自然选择：让一个更强的AI（谷歌的Gemini）当"军师"，不断观察弱模型哪里做得不好，提出修改harness的建议，改完之后拿去测试，效果好就留下，不好就扔掉，反复迭代很多轮。
这套流程效果立竿见影。用没优化过的基础harness，七个任务平均成功率只有29.2%；换上进化过的harness后，平均成功率飙到78.0%，整整提升了近49个百分点。这是什么概念？意味着原来十次任务里勉强能做对三次，现在十次里能做对将近八次。
**发现一：强者用弱者的工具，反而用得更顺手**
研究者接下来做了一件很自然的事：既然harness是给弱模型量身定做的，那让更强的Gemini模型也用这套harness试试看，会发生什么？
按常理猜测，这套harness是照着弱模型的"性格"设计的，强模型用起来说不定水土不服，甚至可能因为限制太具体而束手束脚。
但实验结果反过来了。Gemini在没有优化的基础harness上，七个任务平均成功率是84.4%，已经比弱模型强很多。换上专门为弱模型进化出的harness之后，Gemini的成绩不降反升，涨到93.6%，又多拿了9.2个百分点。
研究者还进一步查看了Gemini具体是怎么用这套harness的。进化出来的harness里有几项关键改动，比如新增了一个原本缺失的工具、给模型演示了工具的正确用法、用钩子强行阻止某些危险操作、写明了某个多步骤的计算公式。Gemini几乎每一项改动都用上了，使用率在93.6%到100%之间，其中有一项叫"领域计算方案"的改动，原本弱模型只有30.8%的时候会用到，Gemini则达到了94.2%的使用率。
这个发现说明了一件事：harness里沉淀的经验，不是专属于某个模型的私有财产，而是一种可以跨模型复用的通用知识。就像一份写得特别详细的操作手册，即便是新手写出来的，一旦把里面隐含的行业窍门都明确写出来了，老师傅拿去用照样管用，甚至用得更好，因为老师傅能更充分地调动手册里的每一条建议。
既然强模型能把这套harness用得更好，一个顺理成章的想法就冒出来了：既然强模型在这个环境下表现这么亮眼，那能不能把强模型的操作过程录下来，教给弱模型，让弱模型也学会强模型的那一套？
**发现二：全盘模仿，反而学垮了**
研究者真的这么做了。他们把Gemini在进化后harness上跑出来的成功案例，也就是Gemini完成任务的完整操作记录，转换成Qwen模型能理解的格式，拿去做微调训练。
结果所有人都没想到：微调之后的Qwen，在七个任务上的成绩全部下滑，跌幅从4.2个百分点到29.9个百分点不等，平均跌了14.9个百分点。原本78.0%的平均成功率，跌到了63.1%。
这不是个例。研究者换了另一个模型家族再试一次，这次用的是谷歌的Gemma模型（260亿参数），在网站自动化任务上重复同样的流程。进化harness让Gemma从46.7%涨到55.6%，同样的harness也让Gemini受益。但模仿Gemini的操作记录做微调之后，Gemma的成绩跌到41.1%，比进化harness之前的基础成绩还低了5.6个百分点。两个完全不同的模型家族，出现了同样的诡异现象，这说明问题不是偶然的技术故障，而是某种系统性的规律在起作用。
更让人费解的是，研究者又拿同样的模仿训练方法，用在没有经过harness优化的基础环境上试了一次。这一次，模仿训练反而有效，Qwen的平均成绩从29.2%涨到35.5%，涨了6.3个百分点。
同样的老师，同样的教学内容，在一个环境里帮倒忙，在另一个环境里却管用。这说明问题根本不出在"跟强者学习"这件事本身，而是出在"跟强者学习"和"harness已经被专门优化过"这两件事撞在一起的时候。
**问题出在哪：不是忘了知识，而是走路的姿势变了**
研究者没有停在"发现问题"这一步，他们进一步拆解了微调之后的模型到底发生了什么变化。
第一个直觉是，会不会是模型学了新东西之后，反而忘了怎么用harness里的那些工具和技巧？检查下来发现完全不是这么回事。微调之后的Qwen模型，几乎所有harness里的改动它都照样在用，甚至用得更勤了。前面提到的那个"领域计算方案"，原本弱模型只有30.8%的时候会用，微调之后反而用到了76.1%的比例。说明模型确实吸收了专家演示里的知识，而且用得更充分了。
那问题究竟出在哪？
研究者用一套六分类的失败原因框架，把所有失败的任务案例逐一归类分析，结果发现变化集中在两类原因上，其他四类（工具使用、指令遵循、长文本处理、其他杂项）几乎没有明显变化。
第一类叫"隐性知识缺失"
（隐性知识缺失：指AI没有掌握任务里那些没有明说、但行业老手都懂的规矩，比如某种数据的计算顺序、某个步骤该注意的细节）
这一类失败反而在微调后减少了，从46.2%降到44.5%，说明知识层面确实在往好的方向变化。
真正爆发式增长的是第二类，叫"规划缺陷"
（规划缺陷：指AI在完成任务的过程中，漏掉了关键步骤、选错了整体思路又没能及时纠正、或者陷入反复重新规划却毫无进展的死循环）
在基础harness上，这类失败原本只占1.1%，微调后涨到14.6%，暴涨了13.5个百分点。而在优化过的harness上，情况几乎一模一样：从1.1%暴涨到14.6%。
研究者在附录里给出了一个非常具体的例子，看完会让人恍然大悟。有一个工资单审计任务，微调后的模型其实已经算出了正确答案，评分程序也确认了这一点。但模型没能把答案提交上去，它反反复复地重新检查计算过的表格，同一个操作重复了29次，同一段提示重复读了20次，最后跑了78步都没能收尾，任务直接判零分。这个模型明明知道正确答案，却因为规划节奏乱了套，硬生生把一个满分任务做成了零分。
这里就要说到全篇最关键的洞察了：**harness不是一个孤立存在的工具箱，它是围绕特定模型的思维习惯量身雕琢出来的**
进化出来的harness，之所以能把弱模型的表现拉高49个百分点，靠的不只是里面写了什么知识，更重要的是它的节奏感恰好卡在弱模型自己一步一步做事的习惯上。比如harness里设计的"只验证一次就结束"的收尾流程，是照着弱模型原本的做事风格量身定制的。
一旦模型通过模仿强模型学会了一套完全不同的做事风格，比如强模型习惯直接给答案、不啰嗦、不反复确认，弱模型却没有强模型那种一次到位的能力，它只是学到了强模型"说话很干脆"的表面动作，却没学到支撑这种干脆背后的真本事。这时候harness里那些围绕原来节奏设计的检查点、收尾逻辑，就全都对不上了。
这里可以打一个比方。假如你是个刚学开车没多久的司机，教练根据你的驾驶习惯，帮你把后视镜角度、座椅位置、换挡时机全部调到最适合你的状态，你开车因此顺畅了很多。这时候有人给你看一段赛车手的驾驶视频，赛车手过弯从不多看一眼后视镜，直接凭感觉一把过弯。你看完之后学着赛车手的样子，减少了看镜子的次数，结果呢？你的座椅角度、换挡习惯还是原来那一套，但你现在按照赛车手的节奏在开，两边完全对不上，反而更容易出事故。如果你没有强行模仿赛车手的动作，只是继续按自己的节奏开车，反而不会有事。这正是论文里发生的事情：车（模型的实际能力）没变，但开车的姿势（规划风格）学了别人的，而车子周围的配置（harness）却还是照着原来的开车姿势调的，两者一旦脱节，结果比谁都没学之前还糟。
再回头看为什么同样的模仿训练在没优化的harness上反而管用，答案就很清楚了。基础harness本来就没有针对模型的规划风格做过任何专门优化，谈不上有什么"节奏"需要保护，规划缺陷带来的损失有限（从0.9%涨到11.5%），而知识层面的提升（失败率从61.0%降到54.4%）盖过了这点损失，所以总体成绩还是涨的。可是在优化过的harness上，节奏契合本来就是那49个百分点提升的核心来源，模仿一旦打乱这个节奏，之前辛辛苦苦优化出来的增益也就跟着一起崩了。
**解法：不是整段抄作业，而是精准补一道题**
发现了病根，研究者接着开出了药方，这个方案叫做"在线专家纠正"
（在线专家纠正：一种教学方式，不是把强模型完整的操作流程整段搬给弱模型学，而是让弱模型先自己去跑任务，只在它真正卡壳、出错的那一步，请强模型帮忙演示正确的做法，其余步骤保持弱模型原本的操作方式不变）
具体流程是这样的：先让弱模型在进化过的harness上自己跑一遍任务，记录下它失败的案例。然后有一个专门的"元智能体"
（元智能体：论文里指一个自动化的、专门负责管理数据生成整个流程的AI程序，它自己判断弱模型的操作在哪一步出了问题，不需要人工介入）
会在失败的操作记录里，精确定位到具体是哪一步走岔了路。找到这一步之后，才请强模型出手，只重写这一个步骤，前面和后面弱模型自己走的路，一步都不动。
打个比方，这就像老师批改作文，不是把学生的整篇作文全部划掉重写一遍范文让学生照抄，而是只圈出那句写得不通顺的句子，帮学生改好这一句，其余的段落原封不动地保留下来。学生自己的文风、自己的行文习惯完全没被打乱，只是学会了怎么把那个卡壳的地方处理得更漂亮。如果换成整篇重写的方式，学生确实能抄到一篇更好的范文，可他自己原本的写作节奏、组织思路的方式也跟着被连根拔起了，下次遇到新题目，他既没有范文可抄，又找不回自己原来的写法，反而更容易写砸。
这套方法效果如何？数据说话。用在线纠正训练出来的Qwen模型，七个任务的平均成功率从进化harness基线的78.0%涨到79.7%，涨了1.7个百分点，而且七个任务里有五个是正向提升的，其中网站管理任务涨了5.6个百分点，股票预警涨了2.2个百分点，代码重构涨了2.2个百分点。另外两个任务（预算审批和工资单审计）成绩基本持平，跌幅在0.4到0.6个百分点之间，属于噪声范围，因为这两个任务的harness本身可能已经接近能力天花板了。
对比一下就更能看出差别：全盘模仿是七个任务全线下滑，平均掉14.9个百分点；在线纠正是七个任务里五个涨、两个基本不变，平均涨1.7个百分点。同样是跟强模型学，学习方式不同，结果一个天上一个地下。
研究者又检查了一遍失败原因分布，验证这次规划节奏有没有被破坏。结果显示，在线纠正训练之后，规划缺陷的比例几乎没有变化，只从1.1%微涨到1.8%，跟模仿训练暴涨到14.6%形成了鲜明对比。与此同时，知识层面的失败比例继续下降，从46.2%降到43.2%，整体失败率也从28.9%降到26.8%。也就是说，在线纠正拿到了模仿训练本该带来的知识收益，却没有付出规划节奏被打乱的代价。
这套方案还有一个很现实的优点：便宜。整个训练流程一小时之内就能跑完，因为纠正数据集本身很小，大约500条记录左右，其中真正需要专家介入改写的只有大约400条，另外50条是弱模型自己本来就能做对的案例，混进去帮助模型保持稳定。这意味着这套流程完全可以反复循环使用：先进化一版harness，再用在线纠正微调一版模型，模型变强了之后再重新进化harness，如此往复，形成一个良性循环的迭代闭环。
Q&A
Q1：为什么用强模型的完整操作记录训练弱模型，反而会让弱模型表现变差？
A：因为harness是围绕弱模型自身的规划节奏和做事风格优化出来的。弱模型全盘模仿强模型的操作方式后，只学到了表面的做事风格，却没有匹配的能力去支撑，导致它的规划节奏和harness原本适配的节奏对不上，任务失败率里的"规划缺陷"占比从1.1%暴涨到14.6%，最终七个任务成绩全线下滑。
Q2：在线专家纠正和直接模仿专家操作记录有什么区别？
A：直接模仿是把强模型完整的操作过程整段搬给弱模型学习。在线专家纠正则是先让弱模型自己跑任务，由一个自动化的元智能体精确定位它具体在哪一步出错，只让强模型重写这一步，其余步骤保留弱模型自己的操作方式，从而避免打乱弱模型原有的规划节奏。
Q3：harness进化对不同模型都有效吗，还是只对训练它的模型有效？
A：论文发现harness进化出的经验可以跨模型复用。研究者用较弱的Qwen模型进化出harness后，把它给更强的Gemini模型使用，Gemini的成绩不降反升，从84.4%涨到93.6%，说明harness里沉淀的经验是通用的，不只是为特定模型量身定做后就无法迁移。
热门跟贴