HGM-Dual：面向长程规划的谱系感知Agent Harness优化

论文指出harness优化（改进提示、工具与工作流）是增强基于冻结或闭源LLM的Agent的有效手段，但HGM等递归自改方法主要面向编码任务，在需要满足交互约束的多步工具调用规划任务中会反复探索无效改动、消耗大量评测预算。作者提出HGM-Dual，以谱系感知上下文记录各祖先改动了什么、哪些行为改善或退化、哪些修改无效，从而进行诊断引导的预算高效harness演化。

AI推荐理由 针对规划类Agent的harness优化，指出Darwin–Gödel Machine/HGM式递归自改在规划任务中因能力不对齐而浪费评测预算，提出谱系感知的诊断引导框架HGM-Dual；问题定位具体，但摘要未给出实验数据。