AutoSaddler（arXiv 2608.23041）把 agent harness 的改进当作离线学习问题：从执行轨迹的小批量失败信号中挖掘问题，生成把 harness——prompt、工具配置、控制逻辑——当代码来改的结构化补丁，再通过验证挑选更新。在 GAIA2、SWE-Bench Pro、Terminal-Bench 2.0 上分别比基础 harness 提升 9.0、9.6、10.0 个百分点。消融实验显示收益来自两点：深挖式调试优于浅层反思，泛化导向的筛选优于针对单条轨迹的修补。代码已随项目站开源。
AutoSaddler：从失败轨迹自动改进 agent harness
2026-08-26前沿观察TRIAL
AutoSaddler（arXiv 2608.23041）把 agent harness 的改进当作离线学习问题：从执行轨迹的小批量失败信号中挖掘问题，生成把 harness——prompt、工具配置、控制逻辑——当代码来改的结构化补丁，再通过验证挑选更新。在 GAIA2、SWE-Bench Pro、Terminal-Bench 2.0 上分别比基础 harness 提升 9.0、9.6、10.0 个百分点。消融实验显示收益来自两点：深挖式调试优于浅层反思，泛化导向的筛选优于针对单条轨迹的修补。代码已随项目站开源。
本文来自既有扫描档案。迁移保留原判断，不代表在迁移时重新核验。
对你意味着什么
对运营 coding agent 的团队来说，harness 正在成为与模型选型同量级的可测量优化对象——而你已经在积累的失败轨迹就是训练数据。方法论可以直接借鉴：诊断失败 run、把 harness 当代码打补丁、只保留在留出任务上验证通过的更新。
前沿观察
公开材料与效果验证，分开看。
已记录的事实是工作及其材料已公开。论文或作者报告的效果不自动等于独立复现。下一步关注可复用代码、任务设置和第三方验证。
证据与关联材料
技术细节与六维评分
| 方法 | 离线闭环：失败轨迹诊断 -> 结构化补丁生成（harness 即代码）-> 基于验证的更新筛选；按小批量执行轨迹迭代 |
|---|---|
| 结果 | GAIA2 +9.0pp、SWE-Bench Pro +9.6pp、Terminal-Bench 2.0 +10.0pp（相对基础 harness） |
| 消融 | 深挖式调试 > 浅层反思；泛化导向筛选 > 单轨迹修补 |
| 代码 | 已随项目网站开源（aka.ms 域名） |
| 隶属 | 项目站位于 aka.ms（Microsoft 域名）；论文页未列机构隶属 |
| ArXiv | 2608.23041，2026-08-24 提交 |
技术影响 4
工程价值 4
采用信号 2
成熟度 2
验证成本 2
风险 2