Claude Code、Codex 组队干活，Raven 新版本既做总调度，也让 Harness 持续进化

EverMind 开源的 Raven V0.2.0 跳出仅在模型参数层做递归自我改进的思路，提出可类比人类大脑的是整个 Agent，将模型参数对应大脑皮层做慢速能力巩固，由记忆、技能、提示等构成的 Harness 对应海马实现快速适应，让递归自我改进落地到 Harness 层。该版本包含两大核心设计：一是支持 AI 独立改写 Harness 的模块、代码、提示、策略四类内容，实验性功能 Curator 已跑通从反馈收集到改动校验安装的闭环。二是作为 Harness 的统一编排层，可将自研的研究、编码、设计、持续执行四类专业 Agent 与 Claude Code、Codex 等外部专业 Agent 统一调度，通过有向无环图拆解复杂任务、管理依赖与并行分支，依托 EverOS 留存跨会话的上下文与经验，实现跨模型跨框架的能力组合。多维度评测显示，同底座模型下 Raven 在多 Agent 编排、深度研究、编码、设计、持续执行等多项任务上的表现优于对照的同类 Harness 框架。目前 Raven 已落地 AI 自主优化预训练方案、自主制作自身发布物料、Godot 游戏项目全流程开发等多个实际场景，用户也可通过保存可复用的 Playbook 流程，结合反馈让 Curator 持续调整 Harness 策略，逐步培养适配自身工作习惯的数字伙伴。该版本开放了全套可扩展的 Harness 接口与实验性自改进参考实现，支持开发者直接复用相关能力。