AI 變強，不一定換了腦袋：Harness Learning 改的是工作流程

先別急著問它換了哪個模型

同一個 AI，為什麼剛才還在亂猜，改幾個步驟後就能把工作做完？一個值得追問的地方，是它周圍的流程：拿到哪些資料、何時呼叫工具、工具回覆放到哪裡，以及錯誤能不能回到下一輪。

這不代表模型能力不重要，而是我們常把整個系統的改善，全算到模型頭上。把模型比喻成引擎，流程就像傳動、路線與儀表；引擎沒有換，行駛方式仍可以不同。這是理解用的比喻，不是研究者測量的機械實驗。

Harness 不是一段更長的提示詞

Harness 可理解成模型周圍的可執行工作流程。它安排模型呼叫、工具使用與資訊流，不只是一句「請再想清楚」。第一方論文第3與第4節描述：提出修改的模型，讀任務、現有程式與執行報告，再提交程式修改；修改後的流程接受測試，結果成為後續回饋。

本篇最重要的界線是時間點。研究在訓練階段會更新提出修改的模型；到了測試階段，提出修改與解題模型的權重都固定，繼續變的是流程程式。因此，「測試時不更新權重」不能寫成「整個方法從來不訓練模型」。

這也不是 AI 想改什麼就改什麼。研究用既定任務、回饋與選擇規則；不同實驗的候選保留方式也不完全相同，不能概括成每一輪只會越改越好。作者專案頁提供方法與實驗導覽。

小模型勝過老師，勝在哪個比較？

論文第5.2節在21個未見推理任務族的單次修改比較中，訓練後4B提案模型平均得分為0.62，35B老師為0.56；但如果事後用隱藏評測分數挑八個候選中的最好一個，老師更高。這個oracle挑選不是部署時自然知道正解的能力。

所以合理讀法是「這個修改流程的任務、這套比較口徑中，平均提案表現較好」，不是「4B所有能力勝過35B」。這些分數也不是所有實際使用情境的成功率。模型、任務、評測口徑與挑選方式，都要一起讀。

對使用者來說，比起追逐參數大小的輸贏，更實用的問題是：我看到的進步，到底是解題能力、工具可用性，還是更會挑出少數成功例？這三種改善有不同的成本與限制，不能只留一張勝負標題。

一個改流程的教學例子

以下是原創、虛構的教學情境，不是論文案例或實測。假設你讓 AI 整理一份活動名單，舊流程讀完資料就直接輸出，偶爾把缺少日期的列當成已確認項目。

你可以先不換模型，改成讀取資料後檢查必填欄位，缺日期就列為待確認；完成後再核對輸出筆數與原始列數。這是「改工作流程」的例子，不是保證加檢查就能消除所有錯誤，也不是已證明能複製研究成效。

若只是把原本那份名單反覆改到正確，你只知道它更熟悉這份資料。要判斷改法是否可用，還得拿沒用來調整流程的新名單，保留相同驗收條件。不要一邊換模型、一邊換資料、一邊改標準，再把結果全部歸因於流程。

收藏這張五問檢查表

下表是本篇原創的閱讀與試用建議，並非研究者發布的標準。

實際試用時，先固定一個小任務與驗收方式，保存原流程，逐項看改動與新題結果；如果資料外送、工具權限或外部寫入不明，先停在只讀或受控測試。這些是本篇建議，不是本文已完成的安全驗證。

分數上升，不代表可以無限放手

這份研究展示的是特定推理與多跳問答實驗，不是每種長時間工作都已驗證。論文也把更長的工具使用軌跡等列為未來方向；不能據此聲稱任何應用都會更便宜、更安全或自動修好。

流程能改，是新的能力；流程改完是否值得保留，仍需要可核對的證據。對 AI 的期待可以很高，但不要把「改得動」直接當成「改得對」。下次看到 AI 變強，先問它動了哪一層，然後用沒見過的題目，查那份進步是不是真的留得住。

作者：奧微軟體編輯整理。本文為研究解讀與原創教學建議，非服務案例或研究實驗重現；奧微提供軟體開發相關服務，但本文無商業導入主張或服務CTA。

來源與查核日：2026-10-14；第一方論文v1、作者專案頁。未驗研究程式安裝、獨立重跑、實際任務效果、成本與安全性。