跑了近 100 轮 Harness Loop 后，我发现 Benchmark 一开始就错了

我有个项目，想利用 AI 自举，不断修正，实现一个 Harness Loop 的循环。但是跑了将近 100 轮后，我发现最开始的 benchmark 设置错了。

每一轮都在修，但变化并不大。慢慢到后面，就怎么也改不过来了。因为每一轮产出的东西，其实都被最开始的 benchmark 牵住了。

所以给我的感触是：如果要做这种 Harness Loop，最开始一定要把 benchmark 设对。

我当时设置的是自己的一个案例，但实际情况是，它再叠加一部分系统提示词框架之后，会把模型限制得很窄。

所以我现在调整 benchmark，从网络上公开的一些项目里找对标，再去跑新的轮数，看看调试效果如何。