即刻App年轻人的同好社区
下载
置顶DeepSeek Harness（DSH）提出了一套全新的AI世界观，其核心可以概括为：将智能体系统（Harness）视为一个“时空可组合的编程范式”，并通过“一切皆插件”的架构，为AI的自进化（Recursive Harness Improvement, RHI）提供结构化的温床。这套世界观主要由三个相互支撑的层次构成：
一、时空可组合性：动态插件的数学基础
DSH的底层是Cordis运行时，它只提供六种原子操作（use、effect、set、get、isolate、intercept），却实现了传统软件难以做到的时间可组合性与空间可组合性。
• 时间可组合性：每个插件对共享环境产生的修改（effect）都必须附带一个“逆操作”（inverse）。当插件卸载时，运行时按相反顺序执行这些逆操作，将环境干净地恢复到插件安装前的状态，而不会像传统系统那样需要重启整个进程。
• 空间可组合性：插件通过“反应式共效应”（reactive coeffects）显式声明自己依赖什么能力（如数据库、日志），以及由谁提供。运行时维护一张动态的依赖拓扑图，当某个依赖出现或消失时，自动激活或停用相关插件。这保证了插件之间既能协作，又能安全拆卸。
这种机制让Harness不再是铁板一块的“底层框架”，而是一个由无数可独立插拔、影响范围可追踪的“零件”组成的有机体。
二、组合泛化：Harness作为高层动作空间
DSH的世界观认为，大模型（基础模型）擅长在训练分布内解决问题，但面对全新任务时，真正需要的是组合泛化能力——即把已有能力重新组合成新解法，而不是重新训练模型。
• Harness正是承担这一职责的“组合层”。它把外部复杂环境（多文档、多工具、子智能体等）切分成模型熟悉的局部动作，使整体任务虽然超出分布（OOD），但每一次送给模型的调用都落在局部分布内（LID）。
• 因此，RHI（递归式Harness自我改进）的目标不是寻找一个万能的最优Harness，而是沉淀一套稳定的Harness原语（如工具、记忆、中间件、上下文管理），并学习如何根据任务、模型和环境的动态变化，组合这些原语。这解决了当前RHI领域的三大困境：进化什么（离散原语）、怎么进化（组合策略）、如何递归（优化器自身学习）。
三、为自进化铺路：让奖励归因成为可能
DSH的插件化架构对强化学习（尤其是Agentic RL）具有革命性意义。传统Harness进化中，修改空间是混乱的任意代码，导致奖励归因（Credit Assignment）极其困难——系统无法判断一次成功到底该归功于哪一行代码。
• DSH通过显式依赖和可逆效应，把每一次干预变成可追踪、可撤销的局部操作。优化器可以像做“反事实实验”一样：加入插件A跑一次，撤销后换成B再跑一次，从而精确估计每个插件在当前结构下的边际贡献。
• 这为DeepSeek擅长的GRPO等算法提供了理想的土壤。在Agent场景中，环境状态会因历史行为分叉，终局奖励无法直接比较；而DSH提供的稳定实验状态和清晰干预边界，让“组相对”比较得以在相似的世界里进行，使优化器能真正从经验中学习“下一次该改哪里、如何组合”。
总结而言，DSH的世界观是：放弃追求一个静态的完美Harness，转而构建一个由离散、可逆、显式依赖的插件组成的动态宇宙。在这个宇宙中，AI可以通过组合泛化应对无穷任务，并通过自我修改的闭环不断进化。这不仅是工程架构的升级，更是通向AGI的一种全新路径——从优化模型权重走向优化智能的工作结构。
一、时空可组合性：动态插件的数学基础
DSH的底层是Cordis运行时，它只提供六种原子操作（use、effect、set、get、isolate、intercept），却实现了传统软件难以做到的时间可组合性与空间可组合性。
• 时间可组合性：每个插件对共享环境产生的修改（effect）都必须附带一个“逆操作”（inverse）。当插件卸载时，运行时按相反顺序执行这些逆操作，将环境干净地恢复到插件安装前的状态，而不会像传统系统那样需要重启整个进程。
• 空间可组合性：插件通过“反应式共效应”（reactive coeffects）显式声明自己依赖什么能力（如数据库、日志），以及由谁提供。运行时维护一张动态的依赖拓扑图，当某个依赖出现或消失时，自动激活或停用相关插件。这保证了插件之间既能协作，又能安全拆卸。
这种机制让Harness不再是铁板一块的“底层框架”，而是一个由无数可独立插拔、影响范围可追踪的“零件”组成的有机体。
二、组合泛化：Harness作为高层动作空间
DSH的世界观认为，大模型（基础模型）擅长在训练分布内解决问题，但面对全新任务时，真正需要的是组合泛化能力——即把已有能力重新组合成新解法，而不是重新训练模型。
• Harness正是承担这一职责的“组合层”。它把外部复杂环境（多文档、多工具、子智能体等）切分成模型熟悉的局部动作，使整体任务虽然超出分布（OOD），但每一次送给模型的调用都落在局部分布内（LID）。
• 因此，RHI（递归式Harness自我改进）的目标不是寻找一个万能的最优Harness，而是沉淀一套稳定的Harness原语（如工具、记忆、中间件、上下文管理），并学习如何根据任务、模型和环境的动态变化，组合这些原语。这解决了当前RHI领域的三大困境：进化什么（离散原语）、怎么进化（组合策略）、如何递归（优化器自身学习）。
三、为自进化铺路：让奖励归因成为可能
DSH的插件化架构对强化学习（尤其是Agentic RL）具有革命性意义。传统Harness进化中，修改空间是混乱的任意代码，导致奖励归因（Credit Assignment）极其困难——系统无法判断一次成功到底该归功于哪一行代码。
• DSH通过显式依赖和可逆效应，把每一次干预变成可追踪、可撤销的局部操作。优化器可以像做“反事实实验”一样：加入插件A跑一次，撤销后换成B再跑一次，从而精确估计每个插件在当前结构下的边际贡献。
• 这为DeepSeek擅长的GRPO等算法提供了理想的土壤。在Agent场景中，环境状态会因历史行为分叉，终局奖励无法直接比较；而DSH提供的稳定实验状态和清晰干预边界，让“组相对”比较得以在相似的世界里进行，使优化器能真正从经验中学习“下一次该改哪里、如何组合”。
总结而言，DSH的世界观是：放弃追求一个静态的完美Harness，转而构建一个由离散、可逆、显式依赖的插件组成的动态宇宙。在这个宇宙中，AI可以通过组合泛化应对无穷任务，并通过自我修改的闭环不断进化。这不仅是工程架构的升级，更是通向AGI的一种全新路径——从优化模型权重走向优化智能的工作结构。
15 22
大模型公司是认知的生产和销售渠道，主打的点和零售渠道 pk 的点差不多，各自主打“多快好省”，从零售渠道历史来看，最终多和省合在一起的玩家总是威力无穷，实在要选一个，那就是永远无敌的省。
15 00
活在当下是真正的快乐。如果AI 角色扮演产品能做到让我“活在别人的当下”，比如我和特朗普共享同一个过去的上下文但是做出不同的当下动作以至于推进出不同的未来，那会很有趣。至少我觉得我可以一直搞到中期选举胜利而不是失败之类的。有这样的产品吗？基于同一个上下文但推进不同的结局却共享同一个无法减速变速的时间轴的产品。
10 40