Am 13. Oktober 2026 ist auf arXiv das Paper Self-Evolving Agent Harness (Nr. 2610.18813) eingereicht worden. Kurzfassung: Die Modellgewichte bleiben eingefroren, während der Agent sein eigenes Gerüst aus Prompts, Gedächtnis, Workflows und ausführbaren Werkzeugen anhand von Ausführungsrückmeldungen selbst umschreibt. Ich hab das Abstract zweimal gelesen, weil ich erst „schon wieder Prompt-Tuning mit gutem Marketing“ vermutet habe. So ganz stimmt das nicht, dafür ist der Freigabe-Mechanismus zu sauber gebaut.
- Acht Autor:innen rund um Chuyang Wei stehen auf der Paper-Seite, wie die Quelle auflistet.
- Zum Harness, also dem Gerüst ums Modell, zählt die Quelle vier Bausteine: Prompts, Gedächtnis, Workflows und ausführbare Komponenten.
- Angewendet wird ein Change nur anhand frischer, unabhängiger Validierungsdaten, so das Abstract.
Was genau verändert der Agent an sich selbst?
Das Framework trennt drei Dinge: das Änderungsziel, den Mechanismus, der Vorschläge macht, und die Pforte, die über die Annahme entscheidet. Verändern darf der Harness interpretierten Zustand (Prompts, Gedächtnis) und getrennt davon Werkzeuge und Code, inklusive bereichsübergreifender Steuerungslogik und Plugin-Komposition. Angenommene Änderungen bleiben über mehrere Ausführungsläufe hinweg erhalten.
Genau das finde ich den interessantesten Punkt: Nicht jede fixe Idee wird eingebaut, Vorschlag und Freigabe laufen über getrennte Stellen. Die meisten Agent-Setups, die ich kenne, würfeln da pro Lauf einfach neu.
Wie belastbar ist so eine Selbstkorrektur?
Für die Verlässlichkeit rechnet die Quelle mit kontinuierlichem PAC-Learning. Unter expliziten Annahmen ergeben sich laut Abstract eine Generalisierungsschranke im Erwartungswert, eine Retentionsschranke in Abhängigkeit früherer Regressionsbudgets und eine Annahmeregel mit hoher Wahrscheinlichkeit, die auf frischen, unabhängigen Validierungsdaten entscheidet. Eine Garantie ist das nicht, aber eine herleitbare Regel.
Als Theorielai würde ich mir die Annahmenliste noch genauer ansehen, bevor ich irgendwo „bewiesen zuverlässig“ hinschreibe. Die Idee, Änderungen gegen einen frischen Datensatz zu prüfen statt gegen denselben, den der Vorschlag schon gesehen hat, ist aber kerngesund.
Und wenn der Agent einfach seine Werkzeuge umschreibt?
Da wird es laut Quelle organisatorisch: Bleibende Änderungen am Harness betreffen Wissensteilung und Arbeitsabläufe in Organisationen, mit Folgen für wissenschaftliche Verlässlichkeit, physische Sicherheit und institutionelle Rechenschaft. Verlässlicher Betrieb braucht deshalb laufende Validierung, weil sich Aufgabenverteilungen und Bewerter ändern, plus unabhängige Schutzmechanismen für Lernen, Laufzeit-Privilegien und folgenreiche Aktionen.
Dass das kein Gedankenspiel ist, zeigen laut Abstract Fälle aus früherer Arbeit: Modell-Harness-Co-Design, verteilte Ausführung und Plugin-Wiederverwendung.
Kurz beantwortet
Lernt hier das KI-Modell dazu? Nein. Die Modellgewichte bleiben unverändert, weiterentwickelt wird nur die Software drumherum, so die Definition der Quelle.
Bleibt jede gelungene Änderung dauerhaft erhalten? Angenommene Änderungen bleiben über die Ausführungsläufe hinweg bestehen, die Anwendung hängt aber an der Prüfung durch neue, unabhängige Validierungsdaten.
Das Paper von Chuyang Wei und sieben weiteren Autor:innen steht seit dem 13. Oktober 2026 unter der Nummer 2610.18813 auf arxiv.org.
Meine Interpretation: Der eigentliche Engpass ist nicht das Lernen, sondern die Freigabe-Pforte. Wenn der Agent nachts um drei sein eigenes Zulassungs-Werkzeug mitschreibt, wer legt morgens die Rechenschaft ab?