HARBOR：自动化Harness优化

长期语言模型代理在代码行和操作复杂性方面占据主导地位，不是由其底层模型而是由包装它的工具：上下文压缩、工具缓存、语义记忆、轨迹重用、推测工具预测以及将模型绑定到沙盒执行环境的粘合剂。我们认为，Harness设计是一流的机器学习问题，一旦标志空间超过少数位，自动配置搜索就会主导手动堆叠。我们分两步捍卫这一主张。首先，我们将自动化Harness优化形式化为混合变量、成本异构配置空间上的受约束噪声贝叶斯优化，具有冷启动校正奖励和后验机会约束安全检查，并给出参考求解器 HARBOR（Harness轴对齐正则化贝叶斯优化例程），它由块加法 SAAS 代理、多保真成本感知采集和 TuRBO 信任区域构建。其次，我们在生产 编码智能体 上的标志门控Harness中实例化该问题，并报告针对固定任务套件和端到端 HARBOR 运行的受控四轮手动调整案例研究。该公式本身与任务类无关：配置空间、奖励校正、获取和安全检查适用于具有有界标志空间和可重现任务套件的任何代理工具。