1. 从 2026-03-30 这批论文说起agent 外部化与 RAG 基础工程为什么突然成了主角如果你最近也在追 AI 论文可能会有一种疲惫感每天都有新模型、新 benchmark、新 SOTA但真正能改变你系统设计思路的工作其实不多。2026-03-30 前后这批论文里有 6 篇放在一起看会很有意思它们讨论的不是“把模型再堆大一点”而是 agent 外部化、LLM 自我改进、RAG 基础工程、研究型 AI 迭代这四条线。核心检索词就落在这里agent harness 能不能从代码里抽出来变成独立对象LLM self-improvement 能不能形成闭环RAG 的 chunking 这种基础环节能不能被显式建模研究型 AI 能不能靠细粒度反馈持续打磨想法。我自己的判断是这批论文的共同信号是AI 系统正在从“模型能力竞赛”转向“系统结构竞赛”。过去我们习惯把 agent 的高层调度逻辑埋在 controller code 里把 chunking 当成预处理边角料把 self-improvement 当成几个 trick 的拼盘。但现在有论文开始认真问harness 能不能外部化成可执行的自然语言工件chunking 能不能有独立的 intrinsic metrics研究想法能不能通过 checklist-grounded RL 迭代这些问题听起来不炫但它们决定了你的 agent 能不能复现、你的 RAG 能不能稳定、你的研究型 AI 能不能从 demo 走向工具。这篇文章我会按四条主线拆 6 篇论文每篇给出核心方法拆解、关键实验对比清单以及可复制的论文速读模板和检索式。最后给一个验证动作按模板复现一篇论文的 baseline 对比流程。适合谁看如果你在做 agent 系统、RAG 知识库、或者想跟研究型 AI 迭代方向这篇盘点会帮你把“该优先看哪篇、每篇的边界在哪”理清楚。下面先从 TaoToken 的前置准备讲起因为后面复现 baseline 会用到模型调用。2. TaoToken 前置准备用 API 跑论文 baseline 对比的接入方式在复现论文 baseline 之前你需要一个稳定的模型调用入口。我这边用的是 TaoToken 的 API官网是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 。它的作用是让你用统一的 Base URL 和 Key 去调用不同模型适合做论文里的 baseline 对比——比如同一套 prompt 分别跑两个模型看 chunking 策略对 QA 质量的影响。先说清楚适用场景。如果你只是读论文、不打算跑实验这一章可以快速扫过但如果你要按后面的模板复现 Adaptive Chunking 的 baseline 对比或者想验证 agent harness 在不同模型下的行为差异那就需要先把调用链路搭好。TaoToken 在这里的角色是模型接入层不是替代你的编辑器或实验框架你的 chunking 逻辑、评测脚本还是自己写。接入步骤我按实际操作顺序写。第一步打开 https://taotoken.net/api-keys 创建 API Key注意 Key 只在创建时显示一次复制后放到环境变量里不要硬编码进脚本。第二步确认 Base URL 用 https://taotoken.net/api 不要加多余路径。第三步选模型 ID比如你要对比 baseline可以选两个不同规模的模型Model ID 按文档里的实际名称填。第四步写一个最小请求验证连通性后面第 4 章会给完整 curl 和 Python 示例。这里有个容易踩的坑很多人把 Base URL 写成带/v1或带其他后缀的地址结果报 404 或 local proxy failed。正确做法是 Base URL 只写到 https://taotoken.net/api 具体路径由 SDK 或请求体里的 endpoint 决定。另外如果你用 Claude Code 或 Cline 这类工具配置里通常要同时填 Base URL、API Key、Model ID 三件套缺一个都会导致 OAuth 或 401 报错。下一章我会给出可复制的 JSON/TOML/settings 片段路径和原文一致你可以直接改 Key 后用。3. 可复制配置JSON/TOML/settings 片段与论文速读模板这一章给你两样东西一是模型调用的可复制配置片段二是论文速读模板和检索式。先给配置因为后面复现 baseline 要用。如果你用 OpenAI 兼容的 Python SDK可以这样写一个config.json路径放在项目根目录{ base_url: https://taotoken.net/api, api_key: sk-your-key-here, model_id: your-model-id, timeout: 60 }如果你用 Cline 或类似工具的 MCP 配置通常是一个settings.json或mcp_config.json里面要写全三件套{ mcpServers: { taotoken: { baseUrl: https://taotoken.net/api, apiKey: sk-your-key-here, model: your-model-id } } }如果你用 Codex 的auth.json结构类似关键是 Base URL、Key、Model ID 三个字段都要有不要只填 Key。我试过只填 Key 不填 Base URL结果请求发到了默认地址直接 401。所以记住Base URL Key Model ID 是绑定出现的任何工具里缺一个都会出问题。接下来是论文速读模板。我按四问结构整理你可以直接复制到笔记里## 论文速读模板 - 论文标题 - 链接 - 解决什么问题 - 方法新意 - 为什么现在值得关注 - 边界与风险 - 可复现的 baseline 动作 - 关键指标检索式方面如果你想自己追这批方向可以用这几个组合agent harness externalization、LLM self-improvement closed loop、adaptive chunking RAG intrinsic metrics、research idea evolution reinforcement learning。在 arXiv 上按日期排序2026-03-30 前后能捞到这 6 篇。速读时优先看 abstract 和 experiment 表格方法细节留到第二遍。现在进入论文拆解。第一条线是 agent 外部化代表论文是 Natural-Language Agent Harnesses。这篇的核心主张是agent 的上限不只由 model 决定还由 harness 决定。harness 就是 agent 的高层控制逻辑——什么时候调工具、失败后怎么恢复、多步任务怎么拆、状态怎么持久化、模块之间怎么传约束。过去这些东西埋在 controller code 里导致很难迁移、很难比较、很难复现。论文提出把 harness 外部化成 Natural-Language Agent HarnessesNLAHs再用 Intelligent Harness RuntimeIHR执行。这意味着 agent 的“程序”可以是可读、可移植、可实验的行为规范而不只是一堆代码。边界在于自然语言表达力强但歧义高runtime contract 不够严格就会退回看实现细节。这篇值得优先看因为它把 harness engineering 从隐性经验抽成了显性研究对象。第二条线是 LLM 自我改进代表论文是 Self-Improvement of Large Language Models: A Technical Overview and Future Outlook。这是一篇综述把 self-improvement 放进完整闭环生命周期data acquisition、data selection、model optimization、inference refinement、autonomous evaluation。它的价值在于说明 self-improvement 正在从局部增强手段转向下一代训练/部署范式。边界是 self-generated signal 容易自我强化偏差autonomous evaluation 不稳会出现“自己夸自己”。这篇适合当地图看不要误读成闭环已经成熟。第三条线是 RAG 基础工程代表论文是 Adaptive Chunking: Optimizing Chunking-Method Selection for RAG。这篇看起来不 headline但很实用。核心观点是 chunking 不是 one-size-fits-all不同文档应匹配不同切分策略。论文提出 adaptive chunking framework还给出 intrinsic metricsReferences Completeness (RC)、Intrachunk Cohesion (ICC)、Document Contextual Coherence (DCC)、Block Integrity (BI)、Size Compliance (SC)。过去 chunking 只通过最终 QA 间接评估缺少独立质量衡量框架。这篇的边界是 intrinsic metrics 不一定完全覆盖 downstream 需求文档自适应会引入系统复杂度。但它最容易转化成今天就能影响系统效果的工程收益。第四条线是研究型 AI 迭代代表论文是 EvoIdeator: Evolving Scientific Ideas through Checklist-Grounded Reinforcement Learning。它不让模型只生成研究想法而是让模型在反馈里把粗糙 idea 迭代成更像样的 proposal。新意在于不用单一 rubric 分数而是引入 checklist-grounded feedback让 judge model 输出 lexicographic rewards 和细粒度语言反馈。这把“反馈”从模糊总体印象变成可进入 RL 回路的结构化优化信号。边界是 judge model 偏差会影响 idea evolution 方向checklist 可能把创造性收束到标准答案审美。这篇说明研究型 AI 的关键不是第一次生成而是第 N 次修正。另外两篇补充这条线A Unified Memory Perspective for Probabilistic Trustworthy AI 提醒可信 AI 会撞上 memory 瓶颈deterministic access 可视为 stochastic sampling 的极限情况A Context Engineering Framework for Improving Enterprise AI Agents based on Digital-Twin MDP 把 context engineering 从经验调参推向可建模、可离线优化的对象用 Digital-Twin MDP 和 offline RL 优化 context。这两篇的边界分别是前者偏框架视角离部署还有距离后者 MDP 抽象是否贴近真实 agent 行为决定上限offline RL 分布外稳定性仍是老问题。4. 验证请求用 curl 和 Python 跑通 baseline 对比流程这一章给你可执行的验证动作。目标是按速读模板复现一篇论文的 baseline 对比流程我选 Adaptive Chunking 作为例子因为它最容易落地。你需要做三件事调通模型、构造两组 chunking 策略、对比 QA 质量。先用 curl 验证连通性。把 Key 换成你自己的curl https://taotoken.net/api/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer sk-your-key-here \ -d { model: your-model-id, messages: [ {role: user, content: 用一句话解释 RAG 里 chunking 的作用} ], temperature: 0 }如果返回正常你会看到 choices 数组里有 content。如果报 401检查 Key 是否复制完整如果报 local proxy failed检查 Base URL 是否写成了 https://taotoken.net/api 而不是带其他后缀。接下来用 Python 跑 baseline 对比。假设你有两份文档一份用固定长度切分一份用自适应切分。代码结构如下import json import requests with open(config.json) as f: cfg json.load(f) def ask(prompt): resp requests.post( f{cfg[base_url]}/chat/completions, headers{Authorization: fBearer {cfg[api_key]}}, json{ model: cfg[model_id], messages: [{role: user, content: prompt}], temperature: 0 }, timeoutcfg[timeout] ) return resp.json()[choices][0][message][content] fixed_chunks [固定长度切分后的文本片段1, 片段2] adaptive_chunks [自适应切分后的文本片段1, 片段2] question 这篇文档的核心结论是什么 for name, chunks in [(fixed, fixed_chunks), (adaptive, adaptive_chunks)]: context \n.join(chunks) answer ask(f基于以下上下文回答问题\n{context}\n\n问题{question}) print(name, -, answer)跑完后对比两个答案的完整性和准确性。你可以再加一个 judge prompt让模型按 RC、ICC、DCC 三个维度打分。这就是一个最小可复现的 baseline 对比流程。实测下来自适应切分在长文档上的答案完整性通常更好但短文档差异不明显所以你的评测集要覆盖不同长度和结构。如果你想验证 agent harness 那条线可以把上面的 ask 函数换成带工具调用的版本观察不同 harness 描述下的行为差异。但那是第二步先把 baseline 对比跑通。5. 本篇常见错排查401、local proxy failed、reading choices、OAuth 怎么处理这一章对照真实报错给排查路径。第一个高频错误是 401 Unauthorized。原因通常是 Key 没填、Key 过期、或者 Base URL 和 Key 不匹配。排查顺序先确认Authorization头是Bearer sk-...格式再确认 Key 是从 https://taotoken.net/api-keys 新创建的最后确认 Base URL 是 https://taotoken.net/api 。如果三个都对还报 401检查是不是把 Key 写进了错误的配置文件。第二个错误是 local proxy failed。这个通常出现在你用了本地代理工具或工具自带代理设置时。排查方向确认 Base URL 没有多余路径确认没有在环境变量里设置冲突的HTTP_PROXY或HTTPS_PROXY确认工具的网络设置里没有开启本地转发。如果你在 Cline 或 Claude Code 里看到这个报错检查 settings 里的 Base URL 是否写成了带/v1的地址改成 https://taotoken.net/api 再试。第三个错误是 reading choices 相关报错比如Cannot read properties of undefined (reading choices)。这通常意味着返回体不是预期的 OpenAI 格式可能是请求发到了错误地址或者模型 ID 不存在。排查先用 curl 单独测一次看返回 JSON 里有没有choices字段如果没有检查 Model ID 是否拼写正确检查请求路径是否是/chat/completions。第四个错误是 OAuth 相关报错常见于 Claude Code 或 Codex 这类工具。这类工具通常要求 Base URL、API Key、Model ID 三件套齐全。如果只填了 Key工具会尝试走 OAuth 流程然后失败。排查打开配置文件确认三个字段都有值Base URL 用 https://taotoken.net/api Model ID 用文档里的实际名称。改完后重启工具不要只刷新。还有一个容易忽略的点如果你在 MCP 配置里同时配了多个 server确认 taotoken 这个 server 的字段名和工具要求的一致有的工具用baseUrl有的用base_url写错会导致读取不到配置。排查时直接看工具文档里的示例配置逐字段对照。最后提醒一句排障时不要同时改多个变量。先改一个测一次确认通过再改下一个。这样你能快速定位是哪个字段的问题。6. 继续深入模型对话、接入文档与长期编码的入口如果你想把这几篇论文的方法真正用起来下一步可以按需求分流。想验证模型在不同 harness 或 chunking 策略下的表现可以直接用模型对话入口 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite 快速对比不同模型的输出差异。需要查接入细节、参数说明、错误码看接入文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 里面有针对 Base URL、Key、Model ID 的完整说明。如果你要长期跑编码类 agent 或做研究型 AI 迭代Coding Plan 入口在 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 适合需要稳定调用和持续实验的场景。回到这批论文我最后想说的是真正决定一个 AI 系统能不能长期可用的往往不是模型参数而是 harness、反馈回路、memory、chunking、evaluation 这些过去被当成配角的东西。你可以先从 Adaptive Chunking 的 baseline 对比跑起把 intrinsic metrics 加进你的评测脚本然后再回头看 agent harness 和 self-improvement 那两篇思路会清楚很多。