HarnessPro 解读Agent 效果做得更好,同时还能降低执行成本
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
- 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。
- 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。
- 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。
- 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。
- 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
- 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。
- 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。
- 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。
- 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
- 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。
- 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。
- 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。
相关阅读
-
税务会计是专门处理企业涉税业务的会计分支,它独立于普通财务会计,核心工作是按照税收法律法规,完成税基确...浏览全文>>
-
八门遁甲是奇门遁甲体系里面的八个门,固定顺序依次是休门 生门 伤门 杜门 景门 死门 惊门 开门,这八...浏览全文>>
-
日本经济产业省对外通报,原本设置最高 125 万日元叠加优惠的电动车补贴,因为申请量远超预估,补贴预算已经...浏览全文>>
-
2026 年 11 月 13 日下午,美国联邦航空管理局(FAA)因空管通信系统故障发布全国地面停飞令,直接导火索...浏览全文>>
-
徕卡推出全新 ZM 11 机械腕表,这款手表最大两个亮点就是机芯内部镶嵌 35 颗宝石,还有标志性的双层渐变...浏览全文>>
-
目前国产 AI 内存还处在追赶海外巨头的阶段,行业消息显示国产 HBM4 预计 2028 年问世,但是缺少 EUV ...浏览全文>>
-
小米 18 Pro 系列在法国巴黎举办国际发布会,正式登陆海外市场,小米 18 Pro 国际版起售价 1399 欧元...浏览全文>>
-
手机里大部分虚拟骰子给出的数字并不是真正意义上的真随机,属于伪随机数,依靠数学算法加上不断变化的种子计...浏览全文>>
-
索尼刚刚推送 PS5 14 23 新版系统固件,用来提前保护即将发售的 GTA6,但是新版本上线没多久,黑客 Mast...浏览全文>>
-
社保的缴费基数,就是计算每个月社保各项保险扣费金额的基准数值,职工社保一般以上一年度本人月平均工资作为...浏览全文>>
- 税务会计 企业涉税核算岗位详解
- 八门遁甲顺序介绍 奇门遁甲八门排布详解
- 手机虚拟骰子输出随机数大多为伪随机,不是严格意义上的真随机
- 福州地铁充电宝新规落地单块超过 100Wh 禁止携带,数量限制取消
- Isomorphic Labs 完成 50 亿美元 C 轮融资,Greenoaks 与红杉资本联合领投
- Gartner 伦敦 IT 基础设施与云战略大会第二天核心亮点预告
- 奥特曼里都有什么怪兽名字 经典怪兽大全
- 高通拿下大额订单,SpaceX 选用高通 5G 芯片,数万基站部署成本将下降
- 单车刺客引热议网友扫到起步 15 元共享单车,平台客服给出回应
- 三星确认 HBM5 采用 D0A 架构 存储单元与周边电路分开制造
- 徕卡 ZM 11 新表正式发布机芯内含 35 颗宝石,搭载双层渐变表盘
- 国产 AI 内存持续追赶,HBM4 预计 2028 年推出,缺少 EUV 仍是核心难题
- 小米 18 Pro 系列巴黎国际发布,10249 元起售,国际版价格远高于国行
- PS5 新系统刚上线就被找到漏洞,这类漏洞很难彻底封堵
- 八个正规投资平台
- 国税局工资高吗 国税系统薪酬待遇详解
- 八大行星 太阳系八大行星基础详解
- 内存涨价行情尚未结束,长鑫最新表态内存供给将持续紧缺
- 研究发现你喝的水有可能来自 46 亿年前的彗星,12P 彗星同位素指纹匹配地球海水
- 私家车停小区闲置被误当僵尸车卖 3800 元,车主该怎么维权
- 丰田推出迷你皮卡 KEI-01瞄准美国市场对大皮卡的尺寸顾虑
- 王传福试驾方程豹钛 9 现场竖大拇指,高层认可提振新车热度
- WorkBuddy 上线跨设备数据迁移功能,换新电脑无需重新配置
- 微博 2026 年 Q3 财报解读营收 4.10 亿美元、月活 5.51 亿,AI 升级广告转化
- 用户借助 Claude 把 Trellis.2 移植到 CUDA C++,实现 5.3 倍推理提速
- 奥拉星手游奥西里斯在哪 入口获取位置详解
- AMD 高管表态 AI 不会取代超级计算机,高精度仿真任务仍不可替代
- 七彩虹 iGame Ultra W 生态上新纯白机箱,纯白全家桶补齐
- 奥迪 a8w12 是几个缸 发动机结构详解
- 高铁票没赶上可以改签吗 误车改签深度说明
