HarnessDev：LLM 能否创建并演化自己的 Agent Harness？

研究者提出 HarnessDev 基准，将评估对象从任务输出转向可运行基础设施，包含 Creation 与 Evolution 两个阶段。Creation 覆盖 6 个创建者 LLM、4 个领域和 5 个下游基准共 2,207 个实例，生成 harness 在代码与搜索研究上落后于人工参考，在写作与机器学习实验上持平或超越，执行成本差异较大。