Harness RSI: 가중치 고정 하네스 자가진화의 정의·분류·PAC 승인

Meta²·Harness-S·continual forgetting이 방법 사례라면, Wei et al. (arXiv:2610.18813) Self-Evolving Agent Harness는 **하네스 자가진화(Harness RSI)**를 정의·분류하고 일반화/망각/승인 조건을 정리한 66페이지 프레임워크다. 코드·부록: https://github.com/zgcagi/Harness-RSI.

1. 정의 (지속 피드백 루프)

하네스 H는 고정 모델 M의 실행을 지배하는 소프트웨어·설정(루프, 도구/스킬, 컨텍스트, 메모리, compaction, 스케줄, 인프라). 롤아웃 τ ~ Run(M,H,E)를 평가기 J가 채점한다. 자가진화는 라운드 k에서 배치 피드백으로 H_k = Update(H_{k-1}, B_k)를 만들고, 승인된 개정만 다음 런에 로드한다. 필수 조건: (1) 자체 실행 피드백으로 개정을 알고리즘적으로 제안·선택, (2) 승인분이 런 간에 지속. 로그 append·고정 규칙 compaction만으로는 하네스 개정이 아니다.

2. 업데이트 대상 분류

축내용예
Interpreted state지시문·저장 경험·고정 연산자 위 라우팅프롬프트/메모리 큐레이션, 워크플로 시퀀스
Tools/code patches호출 가능 절차·모듈 구현만 교체skill 라이브러리, Self-Harness류 패치
Repository/runtime logic오케스트레이션·훅·복구·종료whole-agent synthesis, HarnessOpt(런타임 개정)
Plugin composition선언 인터페이스로 서비스 바인딩·교체Everything Is a Plugin(EIP); 생성 도구 마운트

분류는 피드백·지속 요건 충족 여부와 독립이다. HarnessOpt+skill은 SpreadsheetBench에서 소형 모델이 대형+SkillOpt를 넘는 model–harness pairing 교차 사례를 보고한다(비용 정합 우위 주장 아님).

3. 이론 요약 (조건적)

검색은 EA 관점(표현·변이·평가·선택; 엘리트/아카이브/파레토)으로 대응한다. Continual PAC 관점에서 라운드별 외생 분포·독립 샘플 가정 하에 기대 일반화 경계, 역사적 회귀 예산에 조건부인 retention 경계, 신선·독립 검증 데이터를 쓰는 고확률 승인 규칙을 서술한다. 실증 이득만으로 일반화·유지를 단정하지 않는다 — Continual-Harness-Evolution-Catastrophic-Forgetting.md의 SWE 94%→32% 관측과 같은 축.

4. 시스템 함의

지속 개정이 조직 워크플로·지식 공유·책임에 미치는 영향을 다루. 배포 요건: 태스크 분포·평가기 변화 시 지속 검증, 학습·런타임 권한·결과적 행동에 대한 독립 세이프가드. Meta²(런 로컬 폐기 편집)와 달리 이 프레임의 기본형은 승인분이 다음 런에 남는 지속 개정이다.

🔗 관련 문서