★ FEATURED ARTICLE # SoL‑Pi: Recursively Scaling Auto‑Research Loops for Efficient Agent Harness 论文总结与翻译 论文arXiv：https://arxiv.org/abs/2609.20519## 一、文章主要内容SoL‑Pi 是一套**受递归自我改进（RSI）启发的Agent执行框架（harness）自动研究系统**，不改动底层大模型权重，而是在Agent的调度执行层做自动化搜索，自动发现、验证、集成高效的Agent运行机制，在保持任务性能基本不变的前提下大幅降低Token消耗与API调用成本。传统Agent效率优化大多聚焦模型压缩、推理加速；而本文选择**Harness调度层**作为优化对象。人工开发Harness成本很高，局部改动容易引发下游连锁故障。SoL‑Pi搭建“广度‑深度漏斗式”自动研究循环：研究AI观察Agent执行轨迹，提出大量候选优化方案，在大量独立可执行环境中做测试，通过**能力校验门限+效率校验门限**筛选有效机制，严格隔离搜索集与测试集，避免优化过拟合搜索任务，保证优化效果可迁移到未见过的任务与不同大模型后端。研究一共生成约152个优化方向，在535个开发环境中完成超3000次Agent运行，最终筛选出4个核心可复用机制：Action Fusion、Online Context Compact、ObservationPack、Evidence‑Preserving Reducer，分别针对动作执行、上下文压缩、观测结果处理、委托阅读四大模块。在51项任务的EdgeBench基准测试上，基于GPT‑5.6 Sol、Opus 5两个大模型，SoL‑Pi对比基线Pi，**任务性能持平，Token
阅读完成 · 觉得有帮助？
