核心发现
方法论
HELIX采用build–update–rebuild循环，利用源可追溯的系统结构，将模型与工具集成到类型化端口、原子、配方和策略中。通过明确的预执行检查确保干预的可审计性，利用证据层保留轨迹、测试结果和出处。模型与工具在多轮交互中相互影响，构建匹配的工具组合，验证后将经验转化为训练数据，驱动模型更新。实验中，65候选组合提升任务覆盖率4.0%，完整组合提升至58.0%，验证了系统的有效性。
关键结果
- 在代码修复任务中，65候选工具组合实现4.0%的任务覆盖提升，超越Pi模型，验证覆盖率提升至58.0%，显著优于单一模型或非结构化方法。
- 利用200槽的兄弟片段，生成438条验证的SFT、Critic、过滤器和偏好记录，为模型递归自我提升提供丰富数据基础。
- HELIX的可追溯结构确保每次干预和轨迹都可追溯，支持多轮系统演化，验证了其在复杂任务中的应用潜力。
研究意义
该研究突破了模型与工具系统的传统隔离思维，提出系统性协同演化框架，增强模型在实际复杂环境中的适应性和可解释性。通过可追溯的系统设计，实现了模型递归自我提升的可审计性，为未来自主智能系统的安全性和可靠性奠定基础。这一方法不仅提升了任务覆盖率，还丰富了模型训练的验证数据，推动了AI系统的持续改进与透明化。
技术贡献
本文提出源可追溯的工具系统结构，定义了类型化端口、原子、配方和策略的表达方式，确保干预的明确性和可审计性。引入build–update–rebuild的闭环流程，将模型与工具的协同演化系统化，结合验证轨迹生成丰富的训练数据。实验验证中，通过多候选组合优化任务覆盖和验证覆盖，展现了系统在复杂任务中的优越性能。该框架为模型-工具协同自我改进提供了理论基础和工程实现路径。
新颖性
本研究首次提出源可追溯的工具演化机制，将模型与工具的协同演化系统化、结构化，区别于传统的模型微调或工具适配方法。其核心创新在于通过明确的干预表达和证据追踪，实现多轮系统演化的可审计性和可控性，突破了现有方法在异构系统中难以追踪和验证的瓶颈。
局限性
- 当前方法依赖于预定义的工具配方和严格的证据追踪机制，可能在极端复杂或动态变化的环境中面临适应性不足的问题。
- 系统在多候选组合的评估中存在计算成本较高的问题，尤其在大规模任务或高维空间中效率待提升。
- 模型更新依赖验证轨迹的质量，若验证不充分或偏差，将影响后续系统的性能和安全性。
未来方向
未来将探索动态工具配置与自适应配方生成，提升系统在未知环境中的泛化能力。同时，结合强化学习和元学习技术，增强系统的自主调节能力，推动模型-工具协同演化的自动化和规模化。此外，将引入更丰富的验证机制，确保系统在复杂场景中的安全性和鲁棒性。
AI 总览摘要
随着人工智能能力的不断提升，传统的模型优化已难以满足复杂环境中的适应性需求。现有方法多关注模型参数的微调，忽视了模型在实际运行中的环境干预和工具配合。本文提出的HELIX系统，通过模型-工具的协同演化框架，实现了递归自我提升的闭环机制。
HELIX采用build–update–rebuild的流程，将工具系统结构化为类型化端口、原子和配方，确保每次干预都可追溯和审计。在多轮交互中，系统构建匹配的工具组合，验证后将经验转化为训练数据，推动模型不断优化。实验中，65候选组合提升任务覆盖4.0%，完整组合提升至58.0%，验证了其有效性。
该方法的核心在于系统性地将模型与工具的演化结合，突破了传统模型微调的局限，为未来自主智能系统提供了可审计、可控的演化路径。其在代码修复等复杂任务中的表现，展示了广泛的应用潜力。未来，系统将结合强化学习和自适应机制，进一步提升自主性和安全性，推动AI系统的持续演进。
深度分析
研究背景
近年来，AI模型能力的提升主要通过参数微调和大规模预训练实现，但在实际应用中，模型的行为受到环境干预和工具配合的影响。传统方法难以系统性地管理模型与环境的交互，导致难以实现持续的自我改进。已有研究如ReAct、AutoGPT等尝试结合工具增强模型能力，但缺乏源可追溯的系统架构，难以保证演化的可控性和审计性。随着复杂任务的增加，模型的适应性和安全性成为关键问题。本文提出的系统架构，旨在通过明确的工具表达和证据追踪，实现模型与工具的协同演化，推动AI系统的持续改进。
核心问题
当前模型自我提升多依赖静态微调，缺乏对环境干预的系统管理，难以实现多轮递归自我改进。工具的引入虽增强了模型能力，但缺乏源追溯性，导致难以验证干预的效果和安全性。此外，异构工具系统难以统一管理，导致演化过程不透明，影响系统的可控性和可信度。如何在保证干预可追溯的基础上，实现模型与工具的动态协同，是亟待解决的核心问题。
核心创新
本研究的创新点包括：1）提出源可追溯的工具系统结构，确保每次干预都可追溯和审计；2）引入build–update–rebuild的闭环流程，将模型与工具的演化系统化，增强系统的可控性；3）利用验证轨迹生成丰富的训练数据，推动模型持续优化。这些创新区别于传统微调或工具适配方法，突破了异构系统中追踪和验证的难题，为模型自我提升提供了可审计的工程路径。
方法详解
- �� 构建源可追溯的工具系统，包括类型化端口、原子、配方和策略，用于表达和管理工具干预。
- �� 在每轮交互中，工具系统构建环境，模型提出响应，工具执行并返回轨迹。
- �� 预执行检查确保干预的合法性和可审计性，利用证据层保存轨迹、测试结果和出处信息。
- �� 通过多候选组合优化任务覆盖和验证覆盖，利用build–update–rebuild循环实现模型-工具的递归演化。
- �� 验证轨迹转化为训练数据，更新模型参数，重建工具组合，形成闭环系统。
实验设计
在代码修复任务中，采用65候选工具组合进行演化，验证其在任务覆盖率上的提升。利用验证轨迹生成438条SFT、Critic等记录，评估系统在多轮交互中的表现。实验设计包括不同候选组合的性能比较、验证轨迹的质量分析，以及多轮验证的稳定性测试。通过官方SWE-bench验证，确保结果的可靠性。参数设置包括工具组合数量、验证次数和模型微调策略。
结果分析
实验中，单轮演化后，任务覆盖率提升4.0%，验证覆盖率达58.0%，显著优于基线Pi模型。多候选组合提供丰富的验证数据，增强模型的泛化能力。验证轨迹的丰富性确保了模型训练的多样性和鲁棒性。系统的可追溯结构保证了每次干预的效果可追踪，为后续模型优化提供了坚实基础。这些结果验证了HELIX在复杂任务中的优越性能。
应用场景
该系统适用于需要持续自我优化的AI应用场景，如代码修复、对话系统和自动化决策。通过明确的工具表达和验证机制，确保系统在实际部署中的安全性和可控性。未来可扩展到多模态任务和动态环境，推动自主智能系统的安全演化。
局限与展望
当前方法依赖预定义工具和严格的验证流程，在极端复杂或动态变化环境中可能面临适应性不足的问题。系统评估成本较高，尤其在大规模任务中效率待提升。模型更新依赖验证轨迹的质量，若验证不充分，可能影响系统性能和安全。未来需优化验证机制和提升系统自适应能力。
通俗解读 非专业人士也能看懂
想象你在一家厨房里做饭，厨师（模型）需要用各种工具（刀、锅、调料）来完成菜肴。每次做菜前，厨师会根据食谱（干预方案）选择工具，并在使用后记录结果（证据）。如果菜不满意，厨师可以调整工具或步骤，再次尝试。随着不断尝试和记录，厨师学会了哪些工具和步骤最有效，逐步提升厨艺。这套系统确保每次干预都清楚可追溯，能不断改进，最终做出更美味的菜肴。这就像HELIX一样，把工具和操作都变得透明、可追踪，帮助系统不断学习和优化。
简单解释 像给14岁少年讲一样
想象你在玩一款超级复杂的游戏，你的角色（模型）需要用各种装备（工具）来完成任务。每次你用装备打怪、解谜后，会记下结果（成功或失败），如果失败了，你可以换装备或调整策略。每次尝试都被记录下来，方便你总结经验，学会用哪些装备最有效。随着不断尝试和总结，你变得越来越厉害，能完成更多难题。这就像HELIX系统一样，把每次操作都记录得清清楚楚，确保每次改进都可以追溯和验证，帮助你变得更强。
原文摘要
Scaling agent capability has largely focused on improving the model, yet an interactive agent acts through a runtime harness that mediates context, tools, control flow, and stopping. The harness shapes both what a model can accomplish and the trajectories from which it learns. This coupling motivates model-harness co-evolution for recursive self-improvement: build harnesses for a fixed model, update the model from verified sibling trajectories, and rebuild the harnesses as model capabilities change. Realizing this loop requires a controlled way to evolve harnesses while preserving intervention identity and effect. We present HELIX, a source-traceable substrate for harness evolution. HELIX decomposes agent systems into typed ports, reusable atoms, recipes, product shells, and runtime policies. It makes interventions explicit and auditable while retaining trajectories, test outcomes, and provenance. Harness evolution thus serves two linked roles: improving fixed-model execution and producing matched successes, regressions, near misses, and alternative solutions as data for subsequent model improvement. We evaluate HELIX in one evolution round on code repair. A 65-candidate portfolio discovers a fixed harness that improves task coverage by 4.0% over Pi, while the full portfolio exposes up to 58.0% more verified coverage through complementary sibling behavior. Selected candidates are assessed with repeated runs and the SWE-bench evaluator. A 200-slot sibling slice yields 438 verified SFT, critic, filter, and preference records. These results show how harness, model, and data form a feedback system: harness evolution expands current capability and creates learning signal for the next model; model updates motivate the next round of harness evolution. HELIX provides an auditable interface for studying this recursive process. Code is available at https://github.com/HKUDS/HELIX.