Lilian Weng przenosi self-improvement z przepisywania wag do harnessu wokół modelu

Lilian Weng w 28minutowej analizie pokazuje harness engineering jako praktyczną drogę do self-improvement: nie model, który potajemnie przepisuje własne wagi, lecz system wokół niego, zarządzający narzędziami, kontekstem, pamięcią i evals.

Self-improvement przenosi się do systemu wokół modelu

Lilian Weng opublikowała 4 lipca 2026 roku tekst „Harness Engineering for Self-Improvement“. Zaczyna od recursive self-improvement, przypomina I. J. Gooda z 1965 roku i Yudkowsky’ego z 2008 roku, ale szybko sprowadza temat do dzisiejszych agentów.

Jej praktyczne cięcie: self-improvement nie musi oznaczać modelu, który bezpośrednio przepisuje własne wagi. Może oznaczać ulepszanie training pipeline, deployment systemu i przede wszystkim harnessu, czyli warstwy dla tool use, planowania, kontekstu, artefaktów i evals.

Dla zespołów harness jest produktem, nie ozdobą promptu

Weng opisuje wzorce znane już z coding agentów: workflow automation, system plików jako persistent memory, sub-agenty i backend jobs. Wskazuje Claude Code, Codex, OpenCode i Cursor-style agents jako systemy, których podstawowy interfejs zaczyna się stabilizować.

To przydatna zmiana ramy dla każdego, kto buduje agentów. Produkcyjny agent musi wiedzieć, co wolno mu uruchomić, gdzie zapisuje wyniki pośrednie, jak czyta historię, kiedy ma się zatrzymać i po czym poznać, że wynik przeszedł test.

Autonomia bez evals to szybsza droga do zepsucia systemu

Kluczowe jest słowo „harness“. Gdy agent dostaje system plików, shell, sub-agentów i długie zadania, rośnie zdolność działania, ale rośnie też powierzchnia błędów. Źle zaprojektowana pamięć może utrwalać pomyłki.

Weng omawia kierunki takie jak ACE z 2025 roku, MCE z 2026 roku i Meta-Harness. W produkcji podnosi to poprzeczkę dla pomiaru. Bez evals, izolacji i audytowalnych śladów self-improvement łatwo zmienia się w pewną siebie regresję.

Liczyć się będą ślady z uruchomień, nie poezja recursive AI

Następny sygnał nie będzie wielką deklaracją o RSI. Będzie nudniejszy: uruchomienia agentów, które zostawiają odtwarzalne logi, artefakty i metryki, żeby dało się sprawdzić, co się poprawiło, a co tylko zmieniło.

Warto patrzeć przede wszystkim na coding agentów i systemy auto-research. Tam środowisko jest wystarczająco uporządkowane do testów, ale nadal dość otwarte na błędy.

Werdykt Lilith

Dzisiejszy self-improvement nie wygląda jak model zamknięty w laboratorium, który ostrzy własny mózg. Bardziej przypomina dyspozytora z logami, stoperem i prawem zatrzymania pociągu przed semaforem.