Command Palette
Search for a command to run...
论文周报丨8篇论文聚焦Agent Harness新进展，覆盖编程智能体/具身控制/图像视频生成
随着 AI Agent 从简单问答走向复杂任务执行，Agent Harness 正逐渐成为智能体研究中的重要方向。 它是连接大语言模型、工具与执行环境的运行框架，负责组织任务流程、管理上下文与记忆、协调工具调用，并处理执行过程中的错误与结果验证。简单来说，模型决定 Agent 能够思考什么，而 Harness 则在很大程度上影响这些能力能否转化为稳定、可靠的实际行动。
为什么 Harness 越来越受到关注？随着模型推理与生成能力不断提升，智能体面临的挑战已不再只是生成正确答案，还包括如何连续完成多步骤任务、如何减少错误操作、如何适应不同的执行环境，以及如何在自主行动过程中控制风险。Harness 正从支撑模型运行的基础框架，逐渐发展为影响 Agent 执行效果、应用边界与安全性的关键基础设施。
围绕这些问题，近期越来越多的研究开始从不同角度探索 Harness 的设计、评估与优化：有研究通过受控实验分析规划、工具和上下文管理的作用；有研究在终端操作、机器人控制和视觉生成中探索更可靠的执行机制；也有研究将目光投向安全约束、自动构建与递归自我改进，尝试让 Harness 不仅能够运行，还能根据任务反馈持续优化。
本期，我们精选 8 篇 Agent Harness 相关研究， 汇集了来自 NVIDIA、Google Cloud AI Research，以及西北大学、中国科学技术大学等高校与研究机构的相关探索，覆盖框架设计、执行控制、具身智能、视觉生成、安全治理、工程能力评测、递归优化与自我进化等方向。一起来看看吧！
此外，HyperAI 官网的「论文」板块也将持续关注人工智能领域的前沿成果，帮助大家及时了解相关研究动态 ⬇️
查看最新论文：
本周论文推荐
1. Harness Design for Coding Agents
论文题目：
An Empirical Study of Harness Design for Coding Agents
论文及详细解读：
这项研究对编码智能体的 Harness 设计展开系统性实证分析，重点考察在底层模型保持不变的情况下，不同运行机制如何影响任务表现。研究人员围绕规划机制、动作空间和上下文管理三个核心组件开展受控实验，尝试厘清 Harness 各组成部分对任务成功率、执行效率与资源成本的具体影响，从而避免仅凭完整系统的最终表现判断某种设计是否有效。
研究团队在 SWE-Bench Verified 和 Terminal-Bench 2.1 等基准上开展了多组匹配实验。结果显示，上下文管理对于长程任务尤为重要，合理处理历史信息能够减少上下文溢出带来的失败；规划机制则会因模型能力不同而产生不同收益，工具接口的选择同样需要结合模型特点进行调整。研究表明，Harness 并非组件越多越好，而应根据任务需求、模型能力与资源预算进行设计，为后续开展可量化的 Harness 优化研究提供了实证基础。
2. Mid-Harness
论文题目：
Mid-Harness: Scaling Actions Between Model and Harness for Terminal Agents
论文及详细解读：
来自 NVIDIA、韩国科学技术院（KAIST）等机构的研究人员提出 Mid-Harness，探索如何在大语言模型与执行框架之间加入动作采样和验证机制，提高终端智能体的执行可靠性。传统终端 Agent 通常直接执行模型生成的命令，但错误操作可能改变运行环境，影响后续任务，即使模型本身具备生成更优命令的能力，也未必能够在第一次尝试中给出最佳选择。Mid-Harness 会在真正执行前生成多个候选动作，再通过验证器比较和筛选，以降低不当操作对任务进程的影响。
研究团队围绕候选动作的采样方式、验证器的选择及不同执行策略开展实验，分析在模型与 Harness 之间分配额外计算资源的实际价值。研究表明，增加候选动作并不必然带来收益，其效果取决于验证器能否识别更优的操作；合适的比较与筛选机制则能够提升动作质量，并改善整个任务轨迹的成功率。这项工作将优化重点从单纯提升模型生成能力，推进到执行前的动作选择，为构建更可靠的终端智能体提供了新的思路。
3. Show-Harness
论文题目：
Show-Harness: Just a VLM Agent Can Play Robots
论文及详细解读：
研究人员提出 Show-Harness，旨在解决视觉语言模型（VLM）如何将视觉理解与语言推理能力转化为实际机器人操作的问题。传统机器人系统通常需要专门训练视觉—语言—动作模型，或依赖独立控制器执行高层模型生成的指令。Show-Harness 则设计了一套语义动作接口，将机器人操作表示为模型能够理解和推理的离散动作单元，再由针对具体机器人设计的解释器，将这些动作转换为实际控制指令。此外，研究团队还开发了 GUMI（GUI Manipulation Interface），支持通过图形界面采集机器人操作演示，降低对专用遥操作硬件的依赖。
研究团队通过多个任务、机器人形态与环境开展评估，探索该框架在零样本控制和轻量微调场景中的表现。结果表明，Show-Harness 能够帮助前沿 VLM 在无需专门微调的情况下执行多种机器人操作任务，也能通过相对轻量的微调适配小型开源模型。研究还显示，情境规划、动作历史记录与失败恢复等机制能够改善执行稳定性。这项工作说明，合理设计模型与环境之间的交互接口，有望释放基础 VLM 已有的具身能力，推动 Harness 从软件运行框架走向物理世界的行动控制层。
4. MaLiang-Harness
论文题目：
MaLiang-Harness: A Programmable Path to Image and Video Generation
论文及详细解读：
研究人员提出 MaLiang-Harness，探索如何将 Harness 的设计理念拓展至图像与视频生成领域。传统程序化生成方式虽然能够提供明确的构图和动画控制，但程序能够成功运行，并不意味着最终视觉结果符合用户预期。为解决这一问题，该框架将多模态大语言模型驱动的视觉生成组织为持续构建、检查与修订的过程，通过保存可执行程序与任务上下文、追踪编辑历史和渲染证据，以及针对当前版本进行验证，让视觉生成过程更加可追溯、可恢复和可迭代。
研究团队构建了 MaLiang-IBench 和 MaLiang-VBench，分别评估图像与视频生成能力，并测试多个前沿多模态大语言模型。结果显示，GPT-6-Astra 在两个基准上均实现了 100% 的生成成功率，但满足全部视觉质量阈值的图像任务占 96.0%，视频任务占 76.9%。这一结果说明，程序执行成功与最终视觉质量达标仍是不同的评价维度；通用模型能力分数相近，也不代表它们在视觉生成任务中表现相同。该研究为可编程视觉生成提供了系统性的运行框架，也拓展了 Harness 在生成式 AI 场景中的应用范围。
5. EvoSafeHarness
论文题目：
EvoSafeHarness:Evolving Model- and Domain-Specific Harnesses for Securing Agents
论文及详细解读：
研究人员提出 EvoSafeHarness，旨在解决智能体面对直接有害请求与间接提示注入时的安全防护问题。传统安全约束通常由专家预先设计，并应用于不同模型和任务领域，但不同模型的行为特点以及不同领域的风险要求并不相同，固定规则可能过度限制正常任务，也可能遗漏特定场景中的安全风险。EvoSafeHarness 将安全约束的设计转化为可优化的过程，联合调整自然语言安全策略与可执行代码逻辑，并结合目标模型的行为反馈、领域规范和对抗性审查，生成更适合特定部署环境的约束套件。
研究团队在多类智能体安全基准上进行了评估。在 DecodingTrust-Agent 的相关测试设置中，该方法将平均攻击成功率从 45.6% 降至 10.0%，效用损失约为 3.3 个百分点；在 AgentDojo 的特定评测设置下，攻击成功率降至 0.0%，正常任务效用达到 82.8%。这些结果显示，针对模型与领域定制安全机制有望改善安全性与任务效用之间的平衡。不过，安全表现仍取决于攻击类型、任务环境与评估范围。这项工作将 Harness 的作用从任务执行进一步拓展到风险控制，探索如何让智能体在完成任务的同时遵守相应的安全边界。
6. Doc 2 Harness
论文题目：
Doc2Harness: Benchmarking LLMs on Long-Horizon Harness Engineering of Coding Agents
论文及详细解读：
研究人员提出 Doc2Harness，旨在直接评估大语言模型构建完整 Agent Harness 的工程能力。以往研究通常在预先设计好的运行框架中测试智能体的任务表现，却较少检验模型能否根据开发文档和接口约定，独立搭建真正可运行的执行框架。Doc2Harness 将评估设计为两个阶段：首先，构建模型根据接口契约与开发文档生成候选 Harness；随后，研究团队在隔离环境中运行该框架，通过模型请求、磁盘文件、进程退出码和命令输出等可观测信息，检查其实际行为是否符合要求。
研究团队使用该基准评估了 19 个前沿模型，每个模型针对 328 个测试用例进行 3 次独立构建。结果显示，表现最好的 GPT-6 Astra 通过率为 53.05%，最弱模型为 27.44%；即使是表现最好的模型，也未能通过近一半的测试用例。失败问题主要集中在需要跨越多个模块实现的功能，以及不同模块之间的职责划分。研究表明，模型能够生成代码，并不意味着它已经具备构建复杂运行基础设施的完整工程能力。Doc2Harness 为衡量长程 Harness 工程能力提供了确定性评测基准，也为后续改进智能体框架的自动构建能力提供了参考。
7. Harness²
论文题目：
Harness²:Recursive Agent Harnessing for an Open World
论文及详细解读：
当智能体面对不断变化、难以预先定义的真实任务时，传统依赖人工设计和固定配置的 Harness 往往难以及时适应。针对这一问题，研究提出 Harness²，尝试让智能体不仅能够完成任务，还能在执行过程中不断改进自身的运行框架。该方法构建了两个相互关联的递归层级：任务级递归通过 Propose–Probe–Compose 流程，为当前任务提出候选框架改动、执行对比测试，再依据实际执行轨迹和任务产出决定是否采纳；框架级递归则从这些改动中提取可复用经验，逐步更新后续框架优化的方式。即使缺少能够直接判定任务正确与否的标准答案，系统也可以通过比较不同配置下的执行表现，为框架调整提供依据。
研究团队在三个专业基准和四种模型—框架配置上进行了评估。实验显示，单步框架改进能够提升 GLM-5 和 Gemini 3.5 Flash 在多个基准上的表现：在 WorkBuddy-Bench 上最高提升 11.5 分，在 JobBench 上提升 4.5 分，在 LAB 上提升 11.8 个百分点；随着任务级递归预算增加，性能提升幅度还可以进一步扩大。Harness² 的意义在于，它试图打通“完成当前任务”与“积累经验、改进后续任务”之间的联系，让 Harness 从一次性配置逐渐转变为能够持续适应新任务的运行系统，也为开放环境下的智能体自我改进提供了一种新的思路。
8. Self-Evolving Agent Harness
论文题目：
Self-Evolving Agent Harness
论文及详细解读：
如果说前面的研究关注如何设计 Harness、控制行动或递归优化任务表现，那么这篇研究进一步提出一个更具整体性的问题：当智能体需要长期运行时，Harness 能否形成持续自我更新的机制？研究将“自进化”定义为一种由反馈驱动的持续修订过程：在不改变底层模型权重的情况下，系统可以根据执行经验调整提示词、记忆、工作流及可执行组件，并将经过接受的改动保留下来，用于后续运行。可调整的对象不仅包括单个模块，还涉及工具与代码、仓库级控制逻辑，以及不同插件和组件之间的组合关系。与此同时，研究强调，提出修改、判断修改是否有效，以及决定是否正式采纳，是三个需要分别处理的环节，不能仅凭某一次任务表现变好，就认定改动具有长期价值。
在理论层面，论文结合演化优化与持续 PAC 学习，分析 Harness 持续更新时可能面临的泛化与性能回退问题，并在明确假设的条件下讨论期望泛化界、与历史回归预算相关的保留界，以及基于全新独立验证数据的候选改动准入规则。与单纯比较某个基准上的分数不同，这篇研究更关注 Harness 如何在反复迭代中保留有效经验，同时减少过拟合、遗忘和旧任务性能退化。论文还讨论了任务分布变化、评估器偏差，以及科学可靠性、物理安全和组织问责等部署问题，并指出持续验证与独立安全防护仍不可或缺。它所描绘的方向是：Harness 不再只是围绕模型搭建的一套静态软件结构，而可能成为一个能够积累反馈、审慎修改自身，并接受持续检验的系统。
