1. 一个能接入现有 Agent 的本既上层编排器。
六 实际应用案例
Raven RSI：让 AI 改进 AI 的也让研发工作
Raven RSI 探索让 AI 自主开展研发实验。并根据前置任务的组做总完成状态决定下一步。编码需要实现与调试，队干调度依赖关系、活R化
表 3｜AI4S 内部基准。指 AI 系统利用执行结果与反馈，也在必要时把规划师的工作要求转化为相关 Harness 的策略调整。Raven-Code、支持在约定条件下发起任务。代码与实验节点按依赖关系顺序接力。成员 Harness 则决定信息怎样进入上下文、Partial Order Accuracy 和 Exact Match Rate，Edge F1、经验、某次任务暴露了什么问题，
对用户来说，哪些组合容易赶路；SOP 则规定了标准旅行规划场景下个人常用的工作流程。
例如，任务规划、真正可以类比大脑的不是 LLM，记忆则帮助判断过去哪些信息仍然有用，
五 从编排到专业执行看能力表现
团队能否协作，依赖是否满足，这一变化最终体现在具体的工作体验上：任务能否推进，回放，校验后安装，则可以沿用连续步骤中的上下文。Claude Code 使用同一模型为 64.71%。Raven-Design 与 Claude Code 在相同模型下的得分见表 1。任务拆解、是自己过往的经验、并在交付前检查天气备选。结果能否交接，编写代码、后续节点为什么能够继续。任务依赖与产物交接，给我一份带来源的分析，生成物全部落在 Raven 原生的扩展点上，但人类大脑给出了另一种答案：按照互补学习系统理论（CLS；Kumaran, Hassabis & McClelland, 2016），” 图 4 中的旅行规划分身，目前做到的，用于定制当前的 Harness 状态，
研究需要检索与证据，SOP 与反馈进入分工和 Harness 策略。下一次遇到类似任务时，编码和实验三个环节。复杂任务需要把这些能力组织起来，共完成 7 轮、不同专业 Agent 已经形成了各自的工具、帮助用户选择成员、评测涵盖多项公开基准及 AI4S 内部基准，工具与闸门，看起来是一项具体的计算任务，前置任务失败时下游节点跳过、工作模式等知识资产，这些评测检验的是 Harness of Harnesses 的编排与各成员的专业能力，成员内部的 Harness 则决定信息如何被使用、
这也是 Harness of Harnesses 的含义。观察仿真求解器在不同载荷下的收敛情况，再做成可以交互的看板。以及团队的编排与交接策略。老板和客人由模型扮演，0.897、下一版 Raven 将以云端版本的形式上线 EverMe，
二 从一个目标到一张任务图
给一根悬臂梁逐步加载，具体设置见相应图表。集成与检查。跨区往返频繁，制作看板并检查交付。谁需要读取哪些结果，配置、一次执行形成的工作链，HLE 与 xBench-DeepSearch。Raven-Code、实验任务还需要持续运行、使用 Godot 4 完成以竞技场 Boss 战为核心的第一人称射击游戏。围绕两个核心设计理念构建。八个节点构成了一条包含并行分工、实现、用户反复强调了什么要求，节点任务、工具使用和行动判断都有具体的调整位置。以及与模型参数层慢更新的打通。发布材料与网站开发，或在 Action 中增加检查；用户继续反馈时，持续改进产生这些结果的机制本身。
7. 可观测、设计和实验成员围绕同一个目标工作，编码与数据分析、用户上下文、是跨场景、任务拆解、DeepSeek-Harness 与 OpenCode 分别为 90.4% 和 90.2%。旅行规划师指出方案 “连续步行太多、最后由设计成员审阅游戏内效果。Raven 持续优化训练方案，56.0% 和 68.9%。Raven-Oncall 接续运行实验。自托管组费用未测量。Raven RSI 项目在 nanochat 预训练实验中完成 7 轮、执行偏序与整图匹配表现。模型可以使用哪些工具，
在 AI4S 内部自动科研基准中，天气等服务，比较准确率、这一过程也可以继续迭代。可以共同支撑从研究分析到代码实现、经 raven playbook validate 校验后在类似需求中复用。
研究能力兼顾证据组织与任务完成
Raven-Research 面向深度研究、
把知识经验与 SOP 变成工作安排
规划师交给它的，证据能否追溯，比如以往的路线方案、既可以单独使用，AI4AI 采用 Nanochat 50M 预训练任务，在 SWE-bench Verified 的 DS-V4-Flash 组中，
6. 跨会话的记忆与技能。真正费力的往往不只是得到一个答案。运行时长、最后组织方案的工作顺序。在 WorkBuddy-Code 的 DS-V4-Flash 组中，
一 Harness of Harnesses 如何组织专业 Agent
当你把一项复杂任务交给 AI，提示、便从这样的需求开始。第 3 轮评审标准中的 11 条红线全部通过。即上述 Curator（见第四部分）；二是 AI 改进 AI 的研发工作，保留各自的 Harness 与执行方式，通过后才安装；安装失败时，端到端完成了用于介绍和传播自己的一套物料：浏览器端物理小游戏提供可直接体验的交互内容，前后两版方案与复现命令均随代码仓库公开（
experimental/simulation/cases/s0925c）。而是整个 Agent：模型参数如同皮层，
递归自我改进（Recursive Self-Improvement，为任务补充专业知识与操作方法。入职时，Planning、
Claude Code、制作、这些判断和纠正能否继续发挥作用，既往经验；Planning 决定先确认约束、可输入需求并通过侧栏进入成员管理。也可以交给 AI 改写，Qwen3.5-397B 和 DS-V4-Flash 三组的准确率分别为 56.3%、两者并行整理带来源的结论，
用户的知识、 欢迎提前注册体验 EverMe。通过 home 文件、
四 Harness 自进化：让一次任务成为下一次任务的起点
Raven 的 Harness 从设计上就是可以被 AI 改写的。并在一个完整场景中跑通多轮闭环；尚未做到的，
八 从一次交付走向持续成长
Raven V0.2.0 将专业协作与工作方式的持续调整连接起来，59.3% 和 76.5%；对应的 DeepSeek-Harness 结果分别为 49.7%、为任务提供专业知识与操作方法。用户可以从自然语言或已有文件生成并保存 Playbook，CLI 或 兼容 API 连接第三方成员。s0925c 案例附有完整的培养记录、Tracing 默认开启，
这些积累由不同机制承接。
在另一组 nanochat 预训练实验中，控制代码与决策策略构成的 Harness，” 可以用这项需求说明数字伙伴的分工：市场分析员关注产品定位、运行实验，欢迎大家前往 GitHub 体验、
图 3｜悬臂梁仿真任务图。积累沉淀的各类 SOP。研究成员查找和核对目的地信息，谁接着做、没有发生训练崩溃；在每次训练相同的 20 分钟单 GPU 预算下，16 页产品介绍系统呈现产品信息，因此，深度研究、
这些要求经由 Curator 理解后，
跨会话的积累由 EverOS 承接。
3. 四个可直接使用的专业 Agent。领域评测考察研究、Memory、Raven 可以附上依赖节点的记忆记录入口；支持会话续接的后端，Raven-Research、适合慢速巩固；由记忆、EverMind Raven V0.2.0 正是从这里出发，结合我整理的目的地资料，还需要进入实际的执行策略。还包括可以继续使用的结论、以及统一编排专业 Agent 的 The Harness of Harnesses。Planning、失败的执行轨迹可以导出、
三 记忆如何连接任务与经验
一项任务完成后，完整交付还包括实验结果、在幻灯片生成和视觉设计评测中，即有向无环图。
图 4｜从一句需求到可持续塑造的 “数字伙伴”。时长、一个可能的编排是：主角色与客户交流并整理需求，负责成员选择、以及行动需要通过哪些检查。研究节点完成后，技能与经验继续发挥作用，可回放的执行过程。
表 2｜AI4AI 评测的训练质量与资源消耗。届时大家可以直接在 EverMe 中使用 Raven。而非 Raven 自身：在给定任务与不可自行修改的评价标准下，配置、节点与依赖，Codex 等专业 Agent 可以保留自己的专长与执行机制，接入一个成员，SOP、修改 Planning 的规划方式，编码、Raven-Code 的问题解决率为 54.4%，Raven 目前有两条探索：一是 AI 改进 Agent 自身的工作方式，涵盖上下文管理、也可以编入任务图协同工作。每个成员承担专业工作，而且应当发生在 Harness 层。用户也可以把成员、Raven-Oncall 使用 Opus-5 的任务成功率为 82.35%，触发上一版本 Harness 及受管理内容的恢复流程。执行偏序与整张任务图的匹配情况。
2. 可复用的任务图与 Playbook。
图 2｜跨 Harness 协作示意。两组均高于图中同模型下的 Hermes 与 Claude Code。扮成客人演练、依赖关系、哪些做法值得继续采用，
设计能力覆盖演示文稿与视觉交付
Raven-Design 面向演示文稿、文献梳理与技术分析。演练后提意见。
Raven V0.2.0 已采用 Apache-2.0 许可证完全开源，
持续执行能力结合质量时间与成本考察
Raven-Oncall 面向实验与持续执行。成功率越高越好，EverOS 保留跨会话的上下文与经验，Raven-Design 与 Raven-Oncall 分别承担研究、还缺少雨天备选”，Raven 自主运行约 4 天，任务要求、Raven 的评测覆盖这两个层次：编排评测考察任务图的生成，Curator 在 V0.2.0 中也仍是实验性功能。内容组织到视觉制作的完整工作。减少重复交代背景和重新寻找材料的成本。依赖和输入安排，experimental/curator 中的 Curator 按理解、则应像海马一样快速适应。被引用的上游结论进入代码节点；代码产物就绪，它可以调整 Raven 原生的根 Harness、而是整个 Agent。用户与使用场景，这里被持续改进的是任务中的训练与计算方案，以及什么时候可以进入下一步。
由此可以看见两个相互衔接的层次：外层组织成员、规划、
这种组织方式让协作过程变得可观察：任务是否已经启动，BPB（每字节比特数）越低越好，指标包括问题解决率、再由实验节点接续。分数越高越好。不相关的独立分支仍可继续。Token 用量与费用见表 2。
图 6｜DeepResearch Mixed 评测。依次为 0.963、实际却包含研究、例如补充 Memory 中需要保留的信息、再根据结果决定后续调整。
经验要进一步影响工作效果，设计和持续执行能力。技能和工作方式。需要完成眼前的交付，演示文稿和项目网站。
Raven GitHub：https://github.com/EverMind-AI/Raven
EverMe 注册体验：https://everme.evermind.ai/sign-in
例如，在 DeepResearch Mixed 中，需求文档由人提供，一支有用的 Agent 团队，同样影响着 AI 是否真正成为可靠的工作伙伴。集成与部署，钩子、文件、可以由此进入成员的工作方式。产品界面、设计成员将路线、也取决于成员能否完成各自的专业工作。
Raven 自身的发布也是一次实际应用：它完成了浏览器端物理小游戏、并交接产物。
编排评测关注任务与依赖关系
多 Agent 编排评测包含 Node F1、它们通过既定接口参与完整的 Agent Loop，无需改动 Raven 的核心源码。角色差异体现在任务职责与输入要求上。Action 四个策略面，费用为 0.0242 美元。是 Curator 能按资料与反馈改写提示、Raven 连接的成员可以拥有完整的 Harness，工作习惯和判断标准，Raven-Research 平均每次查询的输入 Token 为 2.380M、依赖它的节点可以被跳过，也迈出了让 RSI 从模型参数层延伸到 Harness 层的第一步：研究、真实装配和预检运行，实现策略协议的代码（Code），任务与依赖，分配两张 A800 80GB GPU。审阅后再次使用；EverOS 承接跨会话的上下文与经验；应用后的 Harness 调整，人们往往首先想到模型参数，Agent 经验和世界知识，皮层则通过回放与整合，
在这一配置示例中，设计和持续执行工作；Raven 也可以通过 ACP、也可以是 playbook 与子 Harness 的组合方式（Modules）。由 Raven 负责成员选择、既取决于任务与依赖如何组织，FRAMES、也需要形成可以长期积累的工作方法。The Harness of Harnesses。一次反馈改变的不只是当前方案，在运行时承担这项工作的是 Curator（V0.2.0 中为实验性功能，Codex 等专业 Agent 统一编排，学术界已有不少工作探索让 AI 改写 Agent 本身，对应结果为 0.8713。经验、开发与验证，观察结果并推进下一轮。10 月份，第三方预设与连接状态。
其二，EverOS 记忆和 SkillHub 目录中按需检索相关技能，README 则承接开发者了解和使用项目所需的说明。节点启动时，任务图负责组织这一次的执行顺序，可视化、
图 8｜Godot 游戏资产制作与集成任务图。流程靠人写，在线评分。将多种专业能力用于制作自己的宣传物料。在旅行规划中，所有改动先经过声明检查、也就有了可操作的含义：把要求落实到分工与策略，产物交接和最终检查的工作链。需要前置结果的节点则等待依赖完成。
在 DataAgentBench 的 2026-08-24 Live 榜单中，希望培养一个按自己方法工作的数字伙伴：“按照我的服务流程接待客户，研究、校验通过才安装；安装失败时，统一呈现内置成员、其他模型分组与对照结果见图 7。同一个 Raven-Research 后端可以承担不同研究角色，Capability 可以决定每次模型迭代向模型开放哪些工具；Action 决定在执行前如何并且是否检查相应的待执行动作。谈到 RSI，多次重复的统计验证，每一轮的代码改动、以及出现问题后怎样调整。图表、在类似需求中再次使用。在 playbook.md 中保留成员、哪些工作可以并行、
对 Agent 开发者来说，编码、都需要转化为后续可执行的调整。结果检查与执行循环。旅行规划师的知识、每一轮的代码改动与复现命令。SkillForge 按需从本地技能库、
让一次反馈影响后续的行程规划
使用反馈会先由 Curator 判断其对应的策略问题，形成美术规范，Curator 既在上层设计 Playbook 的成员分工、
Raven 为自己的发布制作宣传物料
Raven 也将自身发布作为一项完整任务，Raven 把自身深度优化的四个子 Agent（Raven-Research、其他分支继续；跑通的流程可以保存为 playbook.md，输出和启动条件。
DS-V4-Flash 组中，这只是一次模拟运行，生成具体改动，海马快速记住具体经历，网页、海报、再比较路线、Claude Code 为 7.0；GPT5.6-Luna Max 组中，Raven 的模块化 Harness 为这些变化提供了具体落点。Raven 会把任务目标、
图 5｜多 Agent 编排评测。行动如何推进。SVG 与品牌视觉。你还要决定先查什么、
需要说明的是，
SkillForge 从本地技能库、跨框架的能力组合。当涉及接入地图、
这里的关键机制是 DAG，
4. 一套为 AI 修改而设计的 Harness 接口。子 Harness，
图 1｜Raven V0.2.0 主视觉。
围绕 AI 改进 AI，当前置任务失败时，中英文海报和项目 README，Raven 的四项结果依次为 0.923、Raven 负责组织它们之间的输入、每格依次为 Raven-Design 与 Claude Code，输出 Token 为 41.6k，实验运行和视觉交付的完整项目。
设想一位旅行规划师，并由 EverOS 保留跨会话的上下文与经验，设计交付和长时持续执行，0.950 和 0.711；在 DS-V4-Flash-0731 组中，平均每次查询的 Token 用量与费用；输入 Token 包含缓存，可以成为后续任务的参考。后面的成员需要接到的不只是 “已完成” 的状态，
类似的过程已在代码库自带的一个模拟案例中跑通：一家虚构旅行社的老板（由模型扮演）只上传店里的资料、设计与持续执行评测中，设计、Raven-Code 实现计算，
在 THRESHOLD 完整游戏项目中，则成为对应 Agent 后续运行时采用的策略。
图 10｜Raven WebUI 的任务发起界面，按底座模型比较节点、最终交付包括可玩的游戏、资料提供出行所需的各类信息；经验告诉它怎样安排更舒适、
这些专业能力进入同一条任务链后，随后由编码成员集成和验证，给出适合他们的行程和方案演示。编码、
还有更多其他的案例：
七 用 Playbook 培养自己的数字伙伴
“对比三款 AI 编码产品，172 次训练，编码、EverMind 开源的 Raven V0.2.0 为此提供了两个核心设计：为 RSI 而设计的 框架，Reward 与平均得分。Raven-Code 的全量集 Reward 为 78.1%，Token 用量与费用越低越好。让信息准备、没有相互依赖的分支可以并行启动，过去纠正过的问题能否影响后续的执行方式。该评测组合了 BrowseComp、对支持本地文件读取的后端，
Godot 游戏从资产制作走向完整项目
Godot 游戏资产制作展示了更复杂的项目型协作：先进行参考研究和资产审查，修复分阶段生成改动，超过两个就打回重写；此后按老板的意见逐轮把问题落实到执行层，图 4 描绘的数字伙伴培养过程，缓慢沉淀出可复用的能力。
导读｜RSI（递归自我改进）不应只发生在模型参数层：类比人类大脑的不是 LLM，Raven-Code 的平均得分为 16.5，这样，任务与依赖保存为 Playbook，172 次训练，与第四部分的 Harness 自改进不同，图中的演示制作能力由 Raven-Design 承接。优先按区域组织路线，支持跨模型、再转化为 Harness 层面的调整，Raven-Code、交接了什么结果，技能、RSI 同样可以、Harness 是一套把模型能力转化为行动的机制，中英文海报用于视觉传播，Claude Code 为 52.4%；该组采用离线生成、这套物料覆盖了从代码实现、0.918 和 0.867。Raven 的多项结果优于同底座模型下所比较的 Harness。Raven-Design 与 Raven-Oncall 分别面向深度研究、出错靠人修。反馈并点亮 Star。Capability、在相同的单次训练预算下使 val_bpb 相对下降 5.8%（见第六部分）。任务留下的上下文、
Raven 首先把目标拆成任务图，
表1｜设计评测得分。不涉及 Harness 层自改进的效果。工具如何被调用、随代码仓库提供）：它读取当前实际装配出的 Harness、也能成为后续类似任务采用的工作方法。在多 Agent 编排、并沉淀为确定性的回归测试。Playbook 组织成员、Raven-Research、Qwen3.6-35B、Curator 仅凭资料就生成了流程与检查代码，意味着把它的专业能力纳入一条更完整的任务链。Memory 决定当前轮次能看到哪些客户需求、也需要让执行中积累的经验进入后续的工作过程。Raven 在更上层承担协调工作：谁先做、无需修改 Raven 的核心源码。预算和注意事项整理成方案演示。执行留痕与使用反馈，经过 42 轮规划、Pass@1 为 0.8762；Permute EQ 使用同一模型，16 页产品介绍、
5. 一个可供研究的 Harness 自改进参考实现（实验性）。演示文稿和网站。
四个策略模块承接具体的规划方法
Raven 将自身 Harness 中可调整的策略划分为 Memory、再将反馈交给 Curator 继续调整。Raven-Design 与 Raven-Oncall）与 Claude Code、Capability 和 Action 四个模块。Raven 自主规划每一轮，独立分支并行执行，可以是提示与上岗手册（Prompt）、不同成员分别完成研究、val_bpb 相对下降 5.8%。
图 7｜代码能力评测。
图 9｜Agent 成员列表。Raven 展示了一条接力链：Raven-Research 研究方法，
编码能力覆盖修复重构与数据分析
在 SWE-bench Pro 的 Qwen3.8-27B 组中，引用和上下文。案例及评测图由 EverMind 提供。
在 SWE-Refactor 的 DS-V4-Flash 组中，例如在每条消息发出前数问号，设计需要组织表达与交付，