提升一个浏览器智能体的任务完成率，通常的思路是换更强的模型、刷更多训练数据。Salesforce AI Research 的 DarwinX 却给出了一条更省力的路：模型权重一字节都不动，只改模型外面那一层「脚手架」，就把 WebArena-Infinity 上的通过率从 43.5% 拉到了 93%。这篇 7 月 31 日提交到 arXiv 的论文（编号 2608.07545），连同 9 月 2 日开源的 Beagle 框架，把「智能体优化」从手工调提示词，升级成了可自动演化的工程方法。
harness 是什么：模型之外的那一整层
一个智能体的表现，远不止取决于权重。模型读取的系统提示、可调用的工具定义、挂载的技能、驱动动作的控制流、以及它记下的笔记与工作流，共同构成了一层「harness」（中文常译作执行框架或脚手架）。这层东西通常靠人手维护：某人发现一个失败模式，就改一句提示词，再看是否好转。DarwinX 的洞见是，既然 harness 决定了智能体能做什么、做不做得对，那它本身就是可以被自动优化的独立对象——而且优化它，不需要你碰模型内部。
三个机制：把「试错」变成「自然选择」
DarwinX 把 harness 的优化建模成一场自然选择。它会同时维持一整个种群的 harness 变体，而不是只留一个「当前最好」版本反复打补丁。论文点了三个把种群管住的关键设计。其一是保留-扩展契约：一个新变体可以新增能力，但不得破坏任何一个已经能跑通的任务——这直接针对手工调参常见的「修一个漏一个」。其二是种群式归档：不同专长的分支可以后续合并，避免为了新能力而丢掉旧能力。其三是共享接口：改进信号来自三个源头——失败分析、教师模型的提示、以及智能体自己的提案，统一吸收进同一套接口。
数字说话：冻结 GPT-5.5 下的跃迁
在冻结 GPT-5.5 的前提下，DarwinX 在 WebArena-Infinity 上把审计后通过率从 43.5% 抬到 93.0%，无效轨迹则从 23.5% 降到 1.4%。在 Terminal-Bench 2.1 上，GPT-5.5 的得分由 75.5% 升到 83.2%；更关键的是转移测试——一个在 Terminal-Bench 2.1 上演化出的 harness，未经任何修改直接用到 SWE-bench Verified，达到 84.2%（基线 80.8%）。团队还在 Claude Opus 4.8 上验证了这套 harness 的边际优势依旧成立。承载 DarwinX 核心算法的 Beagle 框架已在 GitHub 以 Apache 2.0 协议开源。
为什么重要：性能天花板不该只由模型决定
这套方法的现实意义在于，它把「提升智能体上限」从「等下一代权重」里部分解放出来。对任何只调用商业 API、没有自有机型训练管线的团队，harness 是他们本就能掌控的一层。换句话说，与其苦等模型升级，不如先把脚手架调好——而且这次是让程序自动调，而不是靠工程师拍脑袋。对已经跑起智能体的企业来说，这意味着一条更低成本、更可复用的优化通道。
风险与边界：别把基准上的胜利当成生产里的胜利
但 DarwinX 的边界也要说清。最显眼的风险是过拟合：一个针对某套基准演化出来的 harness，可能只是把那套基准「刷」明白了，而非获得了通用能力；SWE-bench 的转移虽然亮眼，但目前仍只是单一参考点。其次，论文的结果目前集中在 GPT-5.5 与 Claude Opus 4.8，对开源权重模型是否同样成立尚未验证。更根本的约束在生产环境：没有可靠验证器的真实工作流，演化无从谈起。论文对此的建议很务实——团队应维护一套由真实任务构成的代理评测套件，定期跑演化，且只部署通过回归检查的版本。
结语
DarwinX 给行业的提示很朴素：模型很重要，但包在模型外面的那层脚手架同样重要，而且它是可以被系统化、自动化优化的。当「改提示词、改工具、改工作流」被纳入一套可演化的工程方法，智能体性能的释放路径，就多了一条不依赖换模型的旁支。