斯坦福 Meta-Harness，一种端到端优化“harness”的方法

它是一个外层循环（outer-loop）系统，可以自动搜索和优化 LLM 应用的 harness 代码（prompt + 上下文管理逻辑）

核心思想很简单：- 使用 coding agent 作为提议者- 赋予它文件系统访问权限，以获取所有历史经验（这个目录会变得非常大）

它可以看到所有先前候选方案的源代码、执行轨迹和评分。这样可以进行选择性诊断（selective diagnosis），而不是依赖压缩后的反馈。

简单说，这是一个自动优化 LLM 系统提示词和上下文管理策略的框架，用更少的 token 达到了更好的效果。

主要成果：- 相比 ACE（Agentic Context Engineering）提升 7.7 分，同时使用的 context token 减少 4 倍- 在 IMO 级别数学问题上，在 5 个 held-out 模型上平均提升 4.7 分- 在 TerminalBench-2 排行榜上排名第1（Haiku 4.5 agents 类别）

项目：yoonholee.com/meta-harness论文：yoonholee.com/meta-harness/paper.pdf