Meta-Harness：从长历史中学习智能体状态构建

基于摘要分析。本文研究语言模型智能体如何在内存与计算受限的条件下，将长时程、部分可观测且依赖历史的交互压缩为有用状态。Meta-Harness 将决定存储、检索及向模型呈现何种信息的 harness 代码作为优化对象，通过外循环搜索学习状态构建程序，而非仅优化单次输入提示。 核心机制是让编码智能体通过文件系统选择性访问先前代码、执行轨迹与评分，进而搜索用于历史摘要、检索和环境初始化的程序。其主要研究对象是语言模型智能体的运行支撑代码与记忆管理，不是神经信号状态空间建模；来源栏目名称不能据此视为论文采用了特定 State Space Model 架构。 作者报告，在 TerminalBench-2 上，搜索所得 harness 配合 Claude Opus 4.6 超过 Terminus-KIRA，并在已报告的 Claude Haiku 4.5 智能体中排名第一；摘要未给出对应分数及完整比较条件。作者还报告，在在线文本分类中获得优于既有手工记忆系统的 Accuracy—上下文用量权衡；在检索增强数学推理中，对五个留出模型的 Accuracy 平均提高 4.7 个百分点，但摘要未明确该提升对应的具体基线。实验协议、搜索预算、评分方式、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG/BCI 系统需要整合长时间交互日志、校准记录与反馈，该代码级记忆管理机制可能用于辅助决策层，而不能直接替代 EEG 解码器。迁移假设依赖可访问的历史记录与可靠反馈，需重构状态表示、检索单位和评价目标；低信噪比、跨被试差异及小数据下的评分波动可能使搜索程序过拟合。可在固定解码器和上下文预算下，比较手工记忆与搜索所得记忆程序对留出会话决策表现的影响，并核对运行成本。相关 EEG 工作尚未检索确认。