‏چرا «هارنس» به‌اندازهٔ خود مدل هوش مصنوعی مهمه

نویسنده از مفهوم «خودبهبودی بازگشتی» (RSI) شروع می‌کنه؛ ایده‌ای که توش یه هوش مصنوعی با هوش فعلیش، ماشینِ تولیدکنندهٔ هوششو بهتر می‌کنه. به گفتهٔ ونگ، تو AI امروزی این حلقه لزوماً یعنی مدل وزن‌های خودشو بازنویسی نمی‌کنه، بلکه بیشتر یعنی بهترکردن خط لولهٔ آموزش و سیستم استقرار. اینجاست که «هارنس» مهم می‌شه؛ همون سیستمی که دور مدل خام رو می‌گیره و اجرا، فراخوانی ابزار، ادراک context، ذخیرهٔ artifactها و ارزیابی نتیجه رو هماهنگ می‌کنه.

ونگ سه الگوی طراحی رو معرفی می‌کنه. اول «اتوماسیون workflow»: یه حلقهٔ هدف‌محور از برنامه‌ریزی، اجرا، مشاهده/تست و بهبود که تا رسیدن به هدف تکرار می‌شه. دوم «فایل‌سیستم به‌عنوان حافظهٔ ماندگار»: به‌جای اینکه همهٔ لاگ‌ها و حالت‌ها تو context بمونن، هارنس باید حالتِ بادوام رو تو فایل‌ها نگه داره. سوم «زیرایجنت‌ها و کارهای پس‌زمینه»: ایجنت اصلی می‌تونه چند زیرایجنت رو موازی اجرا کنه و لاگ‌هاشونو به‌جای context گذرا، به‌شکل فایل و رکورد وضعیت نگه داره تا بعد از وقفه هم قابل بازیابی باشن.

به‌عنوان یه مطالعهٔ موردی، نویسنده می‌گه اینترفیس اصلی ایجنت‌های کدنویسی مثل Claude Code، Codex، OpenCode و Cursor کم‌کم استاندارد شده: ابزارهای فایل‌سیستم (glob، grep، read، write، edit)، اجرای شل، ابزار git، جست‌وجوی وب و واگذاری کار به ایجنت. بحث جالبش اینه که آیا آینده به لایهٔ هارنس وابسته‌ست یا به هوش هستهٔ مدل؛ پیش‌بینی ونگ اینه که مهندسی هارنس به‌سمت «متا-متدولوژی» می‌ره و خود سیستمِ هارنس به هدف بهینه‌سازی تبدیل می‌شه، ولی هوش مدل همچنان هسته می‌مونه.

بخش دوم مقاله دربارهٔ بهینه‌سازی هارنسه و یه پیشرفت رو نشون می‌ده: از prompt به context ساخت‌یافته، بعد workflow، بعد کد هارنس و آخرش کد بهینه‌ساز. تو مهندسی context، روش ACE به‌جای یه prompt دائماً بلندشونده، context رو مثل یه دفترچهٔ راهنمای در حال تکامل با آیتم‌های نشان‌دار نگه می‌داره، و MCE یه لایه بالاتر می‌ره و مکانیزم مدیریت context رو از محتوای اون جدا می‌کنه. برای طراحی workflow هم روش‌هایی مثل ADAS و AFlow خودِ طراحی ایجنت رو یه مسئلهٔ بهینه‌سازی و جست‌وجو می‌بینن.

در نهایت سراغ هارنس‌های خودبهبودشونده و جست‌وجوی تکاملی می‌ره. کارهایی مثل STOP، Self-Harness، AlphaEvolve و Darwin Gödel Machine اجازه می‌دن یه ایجنت کدنویسی، کدِ هارنس خودشو ویرایش و تکامل بده و فقط نسخه‌های بهتر نگه داشته بشن. ولی نویسنده دو تا هشدار مهم می‌ده: اول اینکه ساختار بازگشتی به‌تنهایی کافی نیست و مدل پایه باید به‌قدر کافی قوی باشه تا واقعاً مکانیزم رو بهتر کنه؛ دوم اینکه وقتی یه برنامه اجازه داره سیستم خودشو ویرایش کنه، مرزهای امنیتی و کنترل دسترسی باید بیرون این حلقه بمونن.

نکات کلیدی:

• «هارنس» سیستمِ دور مدله که فکرکردن، ابزار زدن، مدیریت context و ارزیابی رو هماهنگ می‌کنه
• سه الگوی پایه: اتوماسیون workflow، فایل‌سیستم به‌عنوان حافظه، و زیرایجنت‌های موازی
• بهینه‌سازی از prompt به context، workflow، کد هارنس و کد بهینه‌ساز می‌ره
• روش‌هایی مثل ADAS، AFlow، STOP و DGM طراحی هارنس رو به یه فضای جست‌وجوی خودکار تبدیل می‌کنن
• ساختار بازگشتی بدون مدل پایهٔ قوی جواب نمی‌ده و لایهٔ امنیت باید بیرون حلقهٔ خودویرایش بمونه