首页 >> 综合 > 快讯 >

HarnessPro 解读Agent 效果做得更好,同时还能降低执行成本

2026-11-17 22:58:38 来源:网易 编辑:纪莉洁 

HarnessPro 是一套面向 AI 智能体的递归自优化框架,它可以在不改动底层大模型权重的前提下,让 Agent 的任务通过率变高,同时减少 token 消耗、压低单任务成本,传统 Agent 优化思路大多是堆更多提示词、多轮反复试错,效果提升的时候花钱更多,而 HarnessPro 靠帕累托优化筛选执行策略,砍掉无效的循环、多余的查询和重复推理,只保留真正能提升任务成功率的步骤,所以做到性能变好、开销反而下降,这套框架主要面向代码 Agent,在 SWE-Bench Pro、Terminal-Bench 2 等代码基准测试里都验证了这个效果。

一、HarnessPro 核心实验数据清单

模式对比基准通过率变化单任务成本降幅适用场景
Heavy(性能优先)RHO 基准+2.0 个百分点平均 26.1%优先保证任务成功率,兼顾控成本
Medium(均衡模式)RHO 基准小幅接近原基准最高 53%平衡效果和预算,生产常用
Lite(省钱优先)原生 Vanilla优于原生版本17.7%~57.4%预算紧张、大批量轻任务

二、HarnessPro 实现 “效果更好、花钱更少” 的核心原理

  1. 轨迹诊断:专门的子 Agent 去复盘 Agent 每一次执行记录,找出哪些步骤是无效重试、多余文件读取、重复提问,定位浪费 token 的环节。
  2. 无标签自进化:不需要标准答案,依靠大模型自动生成测试用例评估候选策略,迭代优化 Agent 的执行流程。
  3. 帕累托择优:不是只挑通过率最高的方案,而是同时评估性能和成本,选出不牺牲效果、开销更低的执行逻辑。
  4. 多版本输出:一次迭代同时产出 Lite、Medium、Heavy 三套策略,用户可以根据预算自由切换,不用重新训练底层模型。
  5. 减少无效轮次:约束 Agent 不要无限制反复试错,把推理轮次控制在有效区间,减少冗余 token 消耗。

三、和传统 Agent 优化方式的区别

  1. 传统 RSI 递归自改进:优先冲通过率,容易不断加提示、增加思考轮次,成本跟着上涨。
  2. HarnessPro:优化的是 Agent 的执行外壳(Harness),底层模型不变,在策略层面做精简,剔除低效动作。
  3. 评估方式:传统方案靠官方测试集,HarnessPro 用模型自生测试,更容易持续迭代。
  4. 落地门槛:不用微调大模型,只替换 Agent 的调度策略,接入成本更低。

四、当前存在的局限

  1. 目前验证集中在代码类 Agent,通用对话、复杂多模态任务的优化效果还需要更多测试。
  2. 迭代筛选本身会产生一部分计算开销,前期优化阶段会有少量额外消耗,收益在大规模持续部署时才明显。
  3. 极端复杂、高不确定性的任务,可选低成本策略的提升空间会变小。

【相关 FAQ】

问题 1:HarnessPro 为什么能让 Agent 做得更好,还能少花钱?

回答 1:HarnessPro 通过轨迹诊断找出 Agent 无效推理步骤,用帕累托优化筛选执行策略,剔除冗余 token 消耗,在不改动底层模型的前提下,保留有效动作,减少无效重试,实现 Agent 任务通过率提升、单任务成本下降。

问题 2:HarnessPro 优化 Agent 的时候需要微调大模型吗?

回答 2:HarnessPro 不需要微调底层大模型权重,它只优化包裹模型的 Harness 调度策略,靠调整 Agent 执行流程实现效果和成本优化。

问题 3:HarnessPro 的 Lite、Medium、Heavy 三种模式有什么区别?

回答 3:HarnessPro Lite 主打低成本,适合预算受限场景;Medium 均衡效果和开销,成本降幅最大;Heavy 优先保证 Agent 通过率,同时实现平均 26.1% 的成本下降。

问题 4:HarnessPro 主要是针对什么类型的 Agent 做优化?

回答 4:HarnessPro 现阶段主要面向代码类 Agent,在 SWE-Bench Pro、Terminal-Bench 2 等代码基准上完成验证,适合自动写代码、修复 bug 的编程 Agent。

【参考资料】

[2026-11-03](HarnessPro cuts AI coding agent costs 26% without retraining)BizStack

[2026-10-27](从 GLM 到 GPT,HarnessPro 如何用 RSI 降低 Agent 成本)思否

[2026-10-20](HarnessPro: Recursive Harness Self-Improvement with Pareto Optimization)alphaXiv

[2026-10-19](HarnessPro 论文,arXiv 原始发布)arXiv

【免责声明】

本文内容基于 HarnessPro 公开论文与第三方技术解读整理,实验数据来自指定代码基准测试;优化效果受底层大模型、任务类型、部署规模影响,不代表所有场景下都能稳定降本,本文不构成技术采购、项目落地建议。

 
最新文章