Evo-Harness 接入
论文：Evo-Harness: Context-to-Harness Skill Compilation for Self-Evolving Agents。 上游：A-EVO-Lab/a-evolve，release/evo-harness， 固定 revision：3c7c7b8c62a3f07da1d4407aa03f0ca079954bcf，MIT License。
本接入移植单次在线学习和两级 skill 编译，执行模型权重保持冻结。 Curator 直接编辑目标 harness 的原生 skill 文件，由目标 Agent 在执行中选择、加载。 最终产物是普通 Snapshot；保存、恢复后直接 Agent.rollout() 即可使用，无需在推理时保留 Algorithm 或 Worker。
固定批次 Snapshot → 原生 skill 发现/加载 → 单次执行并评分
↓ 失败
下一批 Snapshot ← 原生文件编译与提交 ← 候选经验反思学习流程
- 按 benchmark 提供的 train 顺序消费一次；
batch_size划分批次，max_steps限制批次数。 不重复 epoch、不重试当前任务，也不在 dev 上选择版本。 - 同一批任务共用一个 Snapshot；整批完成后才反思、编译与更新。
- 仅对执行失败或低于
success_threshold的结果反思。Worker 读取已完成的训练轨迹和反馈， 返回lesson / trigger / evidence / scope_hint，也可返回{"skip": true}。 使用基类证据处理，移除 RunConfig，截断时标记。 - Topic Curator 编译任务类型或接口相关程序；General Curator 比较本批经验，提取跨任务模式。 两个角色依次调用同一个 Worker 的
edit()，通过原生文件工具创建、合并、修订或删除 skill。 - 每个新增或修订的版本只引用本批支持它的候选经验；general skill 至少引用
general_min_tasks个不同任务。旧版本的来源保存在 Snapshot 历史中，不能自动充当新规则的证据。 未修改的 skill 保留来源。代码检查 ID 约束，共享模式的语义判断交给 Curator。 - 每级编辑作为一次原子提交处理：权限、来源、层级、数量或字符预算不合法则整级拒绝。 原生无关 skill 按基线归属保护，不能添加 provenance 接管；也不能通过剥离 provenance 留下未受管的程序。层级与来源检查依据真实 Snapshot 差异，额外 frontmatter 修改也会被检查。 合法更新持续采用，不以 dev 或在线分数提升作为接受门槛。
- 记录的是每次更新前的在线成绩；runner 再对最终冻结 Snapshot 做独立 test。 test 使用基类评分路径，不参与反思和编译。
复用与资源布局
不新增核心接口或版本管理类。实现复用 Algorithm._evaluate/_record/_evidence/_trajectory_evidence、 Worker.ask/edit 和 Snapshot.check_out/commit；权限、凭据脱敏、工作目录清理由现有框架负责。 算法只可写 skill，config 仅供读取。配置、prompt、runtime 和组件声明的保护 复用 Snapshot 的组件权限，不再定义算法自己的激活声明、配置字段协议或加载依赖映射。 原生无关 skill 按已有文件的归属保护；新目录不能遮蔽同名的平铺 skill。 来源、层级、预算检查留在算法中；发现和加载留在原生 harness 中。 这些检查不执行候选程序、不调用模型，也不引入成绩接受门槛。
受管 skill 使用原生目录和 YAML frontmatter，例如：
skills/verify-evidence/SKILL.md---
name: verify-evidence
description: Verify supplied evidence on evidence-backed questions
flashrsi:
algorithm: evo_harness
level: topic
source_task_ids: [train-0]
---其后是可包含代码块的程序正文。name/description 用于原生发现，flashrsi 保存编译来源。 历史上将 JSON 库嵌入 prompt 的实验产物不属于此文件协议，需重新演化。
- Claude Code：复用原生 plugin skill 发现和 Skill 工具。若显式限制工具，需允许
Skill。 默认原生 system prompt 保留，Curator 无需修改 CLAUDE.md。 - MiniAgent：保留
agent.yaml.skills对已有skills/<name>.md的全文内联行为。 原生 workspace loader 自动发现skills/<name>/SKILL.md，存在目录技能时自动提供read_skill；添加、删除技能只需编辑文件，无需同步修改配置。目录技能只向首次请求 提供 description，模型按需读取正文，来源元数据不进入正文。 无目录技能时保持原有工具列表；显式启用的工具仍由原生配置控制。 实现细节见 harness 接入说明。
Algorithm 不按 harness 或 benchmark 名称分支；Curator 根据 checkout 识别原生布局。 两类目标都通过普通执行路径消费最终文件。自定义 harness 需具备相应的原生 skill 能力； 本实现不会自动为自定义 runtime 添加加载器。仅声明 skill 组件不代表拥有发现能力； 使用自定义来源时，应先验证普通 Agent 能消费其目录技能。
参数与运行
见 示例配置。Worker 必须是能编辑目录的 Agent； algorithm.worker.type: llm 在启动时报错。目标和 Worker 的模型、连接配置分别填写。
| 参数 | 默认值 | 用途 |
|---|---|---|
batch_size | 4 | 每次固定版本消费的任务数 |
max_steps | null | 最多消费的批次数；null 表示完整 train 流 |
success_threshold | 1.0 | 低于此分数的训练执行需要反思 |
general_min_tasks | 3 | 每个新增/修订 general 程序所需的本批任务数 |
max_general_skills | 10 | general 库数量上限 |
max_topic_skills | 30 | topic 库数量上限 |
max_skill_chars | 2000 | 单条正文字符上限 |
max_library_chars | 48000 | 库的规范化 YAML 元数据和正文总字符上限 |
max_evidence_chars | 24000 | 反思及编译证据字符上限 |
uv run --extra all flashrsi run --config examples/evo_harness.yaml默认采用保守的本批证据约束；batch_size < general_min_tasks 时无法新增或修订 general 程序。 若一个批次的失败经验不足，General Curator 应保留已有程序。
与上游的取舍
- 反思由独立 Worker 读取记录上下文，未续接 solver 的原生会话。
- 选择与加载交给原生 solver，而非独立 Selector 调用；没有算法级的注入数量或字符硬预算。 因此移除了
max_injected_skills/max_injected_chars，库预算约束编译产物，不约束每次执行上下文。 - Curator 直接写原生文件，取代 JSON 操作协议及临时执行 Snapshot，保证最终 Snapshot 可独立执行。
- 来源门槛按当前修订版本的本批支持证据计算，不继承旧规则的证据计数。
这些取舍复用 FlashRSI 的执行和版本设计，也改变了选择与编译协议；本实现属于流程移植， 不能直接等同于论文的完整复现或比较论文成绩。
验证
uv run pytest tests/test_evo_harness.py tests/test_evo_harness_validation.py tests/test_evo_harness_native.py tests/test_miniagent_skills.py专项覆盖一次消费、批内固定版本、失败反思、两级编译、采用合法退步版本、来源门槛、原子拒绝、 保存恢复、嵌套代码块、原生按需加载、可选工具和 Worker 错误传播。 原生集成测试通过真实 MiniAgent 子进程/OpenAI SDK、Claude SDK/CLI 与本地模拟服务， 验证 Worker 文件工具提交，以及恢复后的 Agent 直接 rollout；模拟成绩只验证接入行为。
尚未运行远程真实模型、真实容器 benchmark 或论文分数复现。
代码入口为 evo_harness/__init__.py；只另保留与仓库其他算法一致的 _prompts.py。 技能解析和预算由算法私有 _skills() 承担，提交的归属、层级和来源检查直接在 _compile() 中完成。