摆脱外部教师与单次微调！ClawLoop 开源：沙箱 Harness 原生自进化闭环，Qwen 模型跑分全面跃升

核心背景与行业痛点

随着自主智能体（Autonomous Agents）从受限的单轮 API 工具调用演进为在通用沙箱 Harness 环境中直接操作终端（Shell）与文件系统，智能体的后训练机制面临着深刻的范式转型。当前绝大多数针对 Harness 智能体的训练流程呈现出高度的“一次性”与“外部教师依赖性”：通常由一个能力更强的外部前沿闭源大模型合成任务并收集专家轨迹，目标智能体接受一次性 SFT 或强化学习微调，最终的评测结果仅供人类研究人员查阅，无法反哺回训练流程。这种范式受制于外部教师的能力天花板和人工设计的先验范围，无法实现真正的模型自主迭代与能力自进化。

架构亮点与底层机制

针对这一根本局限，研究团队提出了 ClawLoop——首个完全脱离外部教师模型、基于 Harness 环境原生反馈驱动的智能体自进化框架。其核心循环包含三大紧密耦合的阶段：

1. 诊断引导的任务合成（Task Synthesis with Diagnosis Growth）：基于智能体在上一轮迭代中的真实表现，生成多样化的训练任务池；创新引入诊断条件驱动的难度演进机制，并结合无需智能体（Agent-free）与基于智能体（Agent-based）的双重验证器，确保合成任务的语义合理性与环境可执行性；
2. 混合后训练引擎（Training Phase）：无缝结合监督微调（SFT）与强化学习（RL），在隔离的安全沙箱中让智能体基于上一阶段验证通过的任务进行高强度闭环策略更新；
3. 行为诊断与自反馈系统（Diagnosis and Feedback）：深度分析智能体在环境 Rollout 中的失败轨迹与错误类型，自动输出标准化的“能力缺陷分析报告”，并直接作为下一轮任务合成的反馈条件，形成真正自维持的演进飞轮。

权威 Benchmark 与实测跑分对比

研究团队以开源大模型 Qwen3.6-27B 为基座进行了多轮自进化迭代实测：

• 基准跑分全面持续刷新：在多工具协作与复杂系统基准 SkillsBench、实战评测 Claw-Eval-Live 以及动态沙箱 ClawGym-Bench 上，ClawLoop 展现出跨轮次持续单调上升的学习曲线，在没有任何外部教师蒸馏的情况下，其各项得分显著超越了一次性全量微调基线；
• 数据价值独立于循环基模：通过 ClawLoop 迭代自生成的演进任务数据，被无损迁移至更小尺度的 Qwen3.5-4B 与 Qwen3.5-9B 模型进行微调，同样在全部三大基准上带来了显著的性能飞跃，充分证明了合成数据的高保真度与强泛化性；
• 错误模式收敛：行为诊断追踪显示，智能体在终端操作中的语法错误、无效文件路径探测以及死循环指令调用频率在 3 个循环内降低了 62% 以上。

开发者实战落地与开箱指南

ClawLoop 为企业级开发团队构建内部自主研发的代码与运维智能体提供了标准闭环蓝图：

• 算法架构研读：详细的任务合成状态机与自动化诊断提示词体系可参阅预印本（arXiv:2610.14118）；
• 搭建自进化沙箱：开发者可利用 Docker/Containerd 构建标准隔离的 Harness 沙箱，配置轻量验证脚本，以现有的开源代码基模为起点构建无需外部 API 调用的本地自研训练飞轮；
• 企业定制工作流：在内部私有代码库中，可将业务真实的 Git Commit 与 CI/CD 失败日志作为种子输入，利用 ClawLoop 的诊断反馈循环自动派生高难度的内部技能演练场景。