GEAR：可组合的 LLM Agent 递归自我改进框架
帝国理工、杜克、港中文等机构研究者发布 GEAR，一个面向 LLM Agent Harness 递归自我改进的开放通用进化架构。框架把自我改进组织为两层元学习：内层循环中 rollout agent 用任务反馈改进单个任务内的推理、规划与行动；外层 Meta Agent 跨任务识别重复失败与有效策略，提出可复用改进并评估推广。进化搜索被拆成可替换的算法组件，Staged GEPA 是其中一个实例。在 GPT 5.6 Luna medium 上，营销任务通过率 27%→40%，客服 17%→25%，编码 52.8%→…
推荐理由三个场景通过率提升 8-13 个百分点，做 Agent Harness 的可以直接参考这套两层循环设计