通过完善封装层实现个性化：近似、泛化与优化的边界在哪里

个人智能体框架管理上下文、记忆、工具和执行过程。智能体通过它适应单个用户的偏好。基础模型则保持不变。因此，个性化空间由框架决定。

arXiv:2609.36892《Harness Evolution as Learning: Approximation, Generalization, and Optimization Limits of Self-Improving Personal Agents》于2026年9月29日提交。作者为 Zeyu Gan、Zixuan Gong、Yong Liu。他们研究的是基础模型保持不变、能够不断适应的个人智能体。适应依托于框架的设计与演进。

演进的内容：架构、规模与算法

作者从三个方面研究框架的演进：架构、规模和自我演进算法。架构决定框架如何管理上下文、记忆、工具和执行过程。规模和自我演进算法则为这一过程设定框架。

实证部分提出了一个以偏好为导向的基准测试，系统描述个人智能体在这三个方面的能力与限制。也就是说，这三个方面是评估维度，而不是彼此独立的改进方向。

实践标准：单独评估某一个方面，无法描述智能体的整体能力与限制。分析框架时，应同时考察这三个维度。

三类误差：界定能力边界的框架

理论部分将框架演进表述为一个学习问题，并通过近似误差、泛化误差和优化误差来解释观测到的现象。这三类误差构成了讨论个性化能力边界的框架。

作者提出了一种统一视角，通过框架演进来理解个性化的边界，并在此基础上讨论框架设计。这一视角将实证部分与理论部分联系起来。

实践标准：应通过具体的误差类型来描述个性化的边界，而不是笼统地评价框架。这样的描述能够指出发展究竟受限于何处。

可达策略、证据与偏差

理论分析涵盖可达策略，即智能体能够采用的策略集合。集合之外的策略，无论如何调整框架都无法实现。

分析还涵盖有限交互证据下的容量。交互经验本质上是有限的，其数量限制了智能体对用户偏好的推断。

分析也涵盖存在偏差的更新动态。偏差会影响框架在自我演进过程中如何更新。这一因素独立于证据不足而起作用。

实践标准：分析个性化失败时，应区分不可达策略、证据不足和更新偏差。这三种原因需要不同的解决方案。

框架设计标准

• 将架构、规模和自我演进算法作为彼此独立的决策对象加以区分。
• 以偏好导向的基准测试为依据。
• 通过近似误差、泛化误差和优化误差来描述个性化的边界。
• 考虑交互证据的有限性以及更新动态中的偏差。
• 在框架设计中保留对个性化边界的统一视角。

这组标准将个性化限定在框架确实能够提供的范围内，同时保持基础模型不变。它也指出了设计的终点与能力边界的起点。