Self-harness: agent AI ulepsza własne rusztowanie
Najciekawsze nie jest to, że model rozwiązuje zadania. To, że potrafi poprawić sposób, w jaki sam do nich podchodzi.
Redakcja Neurise
6 min czytania
17 czerwca 2026
Self-harness to układ, w którym model AI sam poprawia warstwę, która go otacza: instrukcje, definicje narzędzi i zasady pracy. Wagi modelu zostają nietknięte, zmienia się wyłącznie sposób jego użycia. W pracy, która opisała ten wzorzec, taka pętla podniosła zdawalność modelu MiniMax M2.5 na zadaniach kontrolnych z 40,5% do 61,9%.
W skrócie
- Harness to rusztowanie wokół modelu: narzędzia, instrukcje, pamięć i przepływ pracy.
- Pętla self-harness ma 3 kroki: szukanie słabości, propozycja zmiany, walidacja testem.
- Praca Self-Harness (arXiv, czerwiec 2026) podaje wzrost zdawalności MiniMax M2.5 z 40,5% do 61,9% na zadaniach kontrolnych.
- Równoległy system HarnessX raportuje średnio 14,5% poprawy na 5 zestawach zadań, najwięcej tam, gdzie punkt wyjścia był najsłabszy.
- Model bazowy się nie zmienia, więc zmiana jest tania i odwracalna.
Najpierw: czym jest harness
Sam model tylko generuje tekst. Żeby zaczął działać jako agent, ktoś musi go otoczyć warstwą, która zamienia jego odpowiedzi na działania: prompt systemowy, definicje narzędzi, pamięć, obsługa błędów, limity prób i przepływ pracy. Ta warstwa to harness, po polsku rusztowanie.
Ben Dickson w serwisie TechTalks nazywa harness systemem operacyjnym modelu i wskazuje, że to właśnie on odróżnia od siebie narzędzia takie jak Cursor, Aider, Cline czy Claude Code. Ten sam model potrafi w każdym z nich dawać zauważalnie inne wyniki, bo w każdym inaczej dostaje zadanie, inaczej wywołuje narzędzia i inaczej zachowuje się po błędzie.
Dla firmy ma to prostą konsekwencję. Kupując „agenta AI" najczęściej kupujesz właśnie rusztowanie, bo model pod spodem bywa dokładnie ten sam, co u konkurencji. Pisaliśmy o tym przy okazji wyboru między gotowym chatbotem a dedykowanym agentem: różnicę robi opakowanie, nie sama sieć neuronowa.
Na czym polega self-harness
W klasycznym układzie rusztowanie poprawia człowiek. Inżynier czyta zapisy nieudanych przebiegów, zmienia prompt, dokłada narzędzie, podnosi limit prób. Self-harness przenosi tę robotę na sam model: dostaje on dostęp do wyznaczonych fragmentów własnego rusztowania, proponuje w nich drobne zmiany i utrwala tylko te, które przejdą test.
Zakres jest z góry ograniczony. W pracy Self-Harness agent mógł zmieniać prompt systemowy, instrukcje startowe, instrukcje wykonania i weryfikacji, procedury po błędzie oraz polityki sterowania przebiegiem, w tym limit błędów narzędzia i budżet wiadomości. Nie mógł podmienić modelu ani przepisać całego systemu od zera.
To bliski krewny tego, co opisywaliśmy jako loop engineering, czyli projektowanie pętli, w której agent pracuje. Różnica dotyczy tego, kto tę pętlę stroi.
Nie poprawiamy modelu. Poprawiamy sposób, w jaki model pracuje, i to wystarcza, żeby ta sama sieć zaczęła zdawać zadania, które wcześniej oblewała.
Pętla w trzech krokach
- Wyszukiwanie słabości - model czyta zapisy własnych przebiegów i wypisuje powtarzalne wzorce porażek. Na przykład to, że po drugim błędzie narzędzia rezygnuje, albo że pomija sprawdzenie własnego wyniku. Materiałem są ślady wykonania, nie czyjeś opinie.
- Propozycja - do każdej znalezionej słabości powstaje kilka wariantów możliwie małej poprawki w dozwolonym fragmencie rusztowania. Małej, bo im mniejsza zmiana, tym łatwiej orzec, czy to ona odpowiada za różnicę w wyniku.
- Walidacja - kandydat wchodzi do użytku dopiero po teście, który sprawdza, czy nie psuje zadań zdawanych wcześniej. Odrzucone propozycje po prostu znikają, a aktywne rusztowanie zostaje bez zmian.
Trzeci krok jest tu najważniejszy, bo odróżnia self-harness od poprawiania promptu na wyczucie. Bez bramki, która mierzy skutek zmiany na tym samym zestawie zadań, każda modyfikacja jest zakładem. Autorzy sprawdzali wyniki osobno na zadaniach, na których pętla się uczyła, i osobno na zadaniach odłożonych, których wcześniej nie widziała.
Co pokazały pomiary
Praca Self-Harness zespołu Hangfana Zhanga (arXiv, zgłoszona 8 czerwca 2026) przetestowała pętlę na trzech modelach i na trzech zestawach zadań: Terminal-Bench-2.0, SWE-bench Verified i AppWorld. Wynik poprawił się w każdej z dziewięciu sprawdzanych par model i zestaw zadań, a autorzy podają wzrosty względne sięgające 132%. Poniższa tabela pokazuje Terminal-Bench-2.0, czyli wycinek 64 zadań.
| Model | Zadania, na których pętla się uczyła | Zadania kontrolne |
|---|---|---|
| MiniMax M2.5 | z 43,0% do 50,0% | z 40,5% do 61,9% |
| Qwen3.5-35B-A3B | z 15,1% do 36,0% | z 23,8% do 38,1% |
| GLM-5 | z 47,7% do 57,0% | z 42,9% do 57,1% |
Drugi zespół, autorzy systemu HarnessX, zmierzył podobny efekt na pięciu innych zestawach zadań, między innymi ALFWorld, GAIA, WebShop i SWE-bench Verified: średnio 14,5% poprawy, maksymalnie 44,0%. Ich obserwacja jest ciekawsza niż sama średnia. Największe skoki wystąpiły tam, gdzie punkt wyjścia był najsłabszy.
Dlaczego to działa
Bo dużą część porażek agenta powoduje nie brak wiedzy modelu, tylko sposób, w jaki go poproszono, i ramy, w których kazano mu pracować. Model nie wie, w jakim formacie ma oddać wynik. Poddaje się po pierwszym nieudanym wywołaniu narzędzia. Nie sprawdza tego, co zrobił. Albo dostaje tak długi kontekst, że gubi w nim polecenie. Każdą z tych rzeczy naprawia się w rusztowaniu, nie w wagach.
Stąd bierze się też uwaga o najsłabszym punkcie wyjścia. Jeśli konfiguracja jest nieprzemyślana, samo uporządkowanie instrukcji i limitów daje więcej niż wymiana modelu na droższy. Odwrotnie: dobrze zestrojony układ ma mniej do wyciśnięcia, bo łatwe błędy zostały już usunięte.
Druga strona medalu
Obie prace to preprinty w arXiv, więc nie przeszły recenzji naukowej, a liczby pochodzą od ich autorów. Nikt niezależny na razie tych pomiarów nie powtórzył. Dopóki to się nie stanie, warto czytać je jak deklarację producenta, a nie jak wynik audytu.
Autorzy Self-Harness sami spisali ograniczenia. Ich pętla wykonuje ograniczone zmiany na ustalonym zestawie zadań i nie jest samodoskonaleniem bez granic. Przyjęte poprawki mogą odzwierciedlać wzorce porażek typowe dla tego konkretnego zestawu, a nie ogólną słabość agenta. Cała procedura zależy od jakości sprawdzającego: jeśli nie potrafisz automatycznie odróżnić sukcesu od porażki, nie masz bramki, która ma cokolwiek przepuszczać. Przy zmianach o wyższej stawce sam warunek „nie pogorszyło się" byłby ich zdaniem za słaby.
Do tego dochodzi koszt. Ben Dickson zwraca uwagę, że faza strojenia bywa droga obliczeniowo i zwykle wymaga mocnego modelu w roli tego, który przepisuje rusztowanie. Oszczędność pojawia się dopiero później, w codziennym działaniu.
Jest też ryzyko, o którym prace nie mówią wprost. Agent z prawem do zmiany własnych instrukcji to nowa powierzchnia ataku: gdyby ktoś podstawił mu spreparowane ślady wykonania, mógłby wpłynąć na to, co ten agent uzna za swoją słabość. Mechanizmy tego typu opisywaliśmy przy agentjackingu, i tam ta ostrożność jest uzasadniona tak samo.
Co z tego ma mała firma
Nie musisz wdrażać automatycznej pętli, żeby skorzystać z tego wniosku. Wystarczy przyjąć jego założenie: zanim zapłacisz za mocniejszy model, popraw to, co go otacza. W praktyce wygląda to tak:
- Zbieraj porażki. Zapisuj konkretne sprawy, na których asystent lub agent się wykłada, razem z tym, co dokładnie zrobił po drodze. Bez tego zapisu nie wiadomo, co poprawiać.
- Zrób z nich zestaw testowy. Dwadzieścia realnych zadań z Twojej firmy wystarczy, żeby po każdej zmianie sprawdzić, czy jest lepiej, czy tylko inaczej.
- Zmieniaj po jednym. Jedna poprawka, jeden przebieg testu, jedna decyzja. Trzy zmiany naraz dają wynik, którego nie umiesz nikomu przypisać.
- Ustaw ramy. Ile prób po błędzie, co robić, gdy narzędzie nie odpowiada, kiedy dopytać człowieka. To są dokładnie te elementy, które w opisywanej pętli okazały się warte poprawiania.
- Pytaj dostawcę o rusztowanie. Kto je utrzymuje, jak mierzy skuteczność i co się dzieje, gdy producent modelu wypuści nową wersję. Takie pytania zebraliśmy w liście kontrolnej dla firm szukających wykonawcy wdrożeń AI.
Warto zapamiętać jeszcze jeden wniosek, z zupełnie innego kierunku. Badanie Anthropic pokazało, że w pracy z agentami wiedza o własnej dziedzinie bije doświadczenie programistyczne. Rusztowanie to w dużej mierze spisany opis Twojego procesu, a ten znasz lepiej niż jakikolwiek dostawca.
Najczęstsze pytania
To warstwa otaczająca model: dostęp do narzędzi, instrukcje, pamięć i przepływ pracy, które zamieniają sam model w działającego agenta.
Tym, że to model samodzielnie ulepsza swoje rusztowanie, zamiast robić to człowiek. Model bazowy się nie zmienia, zmienia się sposób jego użycia.
W trzech krokach: wyszukiwanie słabości obecnego rusztowania, propozycja konkretnej zmiany i walidacja, czy ta zmiana faktycznie poprawia wynik.
W pracy Self-Harness poprawiła się każda z dziewięciu sprawdzanych par model i zestaw zadań, a w systemie HarnessX średni wzrost wyniósł 14,5% na pięciu zestawach. To wyniki laboratoryjne z preprintów, bez niezależnego powtórzenia, więc traktuj je jak górną granicę, nie obietnicę.
Źródła: arXiv, Self-Harness: Harnesses That Improve Themselves (Zhang i in., 2026), arXiv, HarnessX: A Composable, Adaptive, and Evolvable Agent Harness Foundry, TechTalks, Ben Dickson, How self-improving harnesses are rewriting the agent engineering playbook.
Powiązane artykuły
Sprawdź, czy AI poleca Twoją firmę.
Zacznij od bezpłatnego audytu SEO i GEO. Sprawdzimy, jak modele AI opisują Twoją markę, i wskażemy priorytety zwiększające szanse na cytowanie.