HarnessForge：自适应代理系统的联合Harness和策略演化

人们越来越期望 LLM 代理能够跨需要不同执行范例的异构任务机制进行操作。这对固定代理系统提出了挑战，并激发了超越孤立组件更新的系统级元适应。虽然现有的工作已经适应了外部Harness或训练了底层推理策略，但全系统适应仍然没有充分表征。结构和执行之间的适应空间很少明确，外部Harness和内部推理器之间的兼容性也没有联合优化。我们提出了 HarnessForge，一个用于进化 LLM 代理系统的元自适应框架。 HarnessForge 将代理系统制定为Harness-策略对，定义了一个稳定的适应空间，将Harness级执行结构与策略级推理行为分开。然后，它通过故障引导的Harness剪裁和Harness条件策略调整来执行Harness-策略协同演化。来自不同领域的五个基准测试的实验表明，HarnessForge 持续改进了 Qwen3-4B 和 Qwen3-8B 主干网，其性能优于仅使用Harness和仅使用策略的基线，比最强基线最高提高12.0%，并实现了有利的采样效率平衡，证明了Harness-策略协同进化是有效的，并且Harness和推理策略之间的可执行兼容性对于代理系统适应至关重要。代码可在 https://github.com/mingju-c/HarnessForge 获取。