RewardHarness: Self-Evolving Agentic Post-Training
RewardHarness：自进化智能体后训练框架
🧭 Agent 自进化奖励建模
University of British Columbia · Vector Institute · Kuaishou Technology · Carnegie Mellon University · University of Waterloo
将奖励建模从权重优化转为上下文进化，用少量样本自动演变工具技能库，实现高数据效率评估
📌 工作参考价值（4 点）
- 用少量人工标注（100 条）即可引导 Agent 自主迭代进化评估标准，大幅降低构建评价模型的成本，可借鉴到电商多模态内容（商品图/视频）的 automated evaluation 或 RLHF reward signal。
- Orchestrator + Sub-Agent 的推理链架构，通过选择工具和技能来构建判断逻辑，类似可应用于推荐系统中排序策略的评判或解释生成，提升可解释性与可干预性。
- 自进化工具库的维护方式（分析成功/失败案例后增删改工具）提供了 Agent 持续学习的工程范式，可以迁移到多智体协作场景，让评估 Agent 随着业务迭代自动适配新准则。
- 冻结子模型配合技能库的思路，让 API-only 模型也能参与 reward modeling 的迭代，对使用闭源大模型做判断的业务有参考意义。