Harness即语言：极简却最大表现力的Agent框架

现代语言模型Agent围绕“Agent循环”构建：LLM被置于一个暴露若干工具的环境中，通过交替进行工具调用与观察其输出，对工作流拥有完全控制。然而，某些工作流目前仍需要Agent循环之外的额外工程，例如记忆系统与自我改进系统。我们构建了一个LLM Agent框架JAZ，以探索一个几乎就是Agent循环本身的最小harness能在多大程度上完成这些专用系统所针对的任务。JAZ暴露单一基于LLM的原语invoke，并提供一组内置钩子让程序员施加约束与监控。作为对现有代码模式Agent循环的推广，invoke是满足两条定义性属性的最简循环：（1）LLM可以编写任意可执行代码，其中可包含递归的invoke；（2）LLM可见的一切——invoke的全部输入以及它与代码环境的交互历史——都是代码环境中的变量。我们从第一性原理出发论证该设计，把invoke视为一种语言原语，代表一个每次调用时由LLM在运行时提供实现的函数。为验证核心invoke原语的设计，我们在传统上经由专用外部harness实现的工作流上评测invoke——仅用提示，没有手工设计的工具、harness或外部系统（如记忆或文件系统）。在需要超出上下文窗口回忆的长程工作流上，JAZ invoke在StuLife的回忆密集部分以一半成本超越Letta（MemGPT）8%。在持续自我改进上，JAZ invoke在AppWorld上以更低成本超越ACE 4%。