HarnessCompass：引导自动Harness向通用且有效的代理Harness发展

Harness设计通过塑造 大语言模型 (LLM) 在可执行环境中感知、推理和行动的方式，在代理性能中发挥着关键作用。最近的工作提出了自动工具演化，它迭代地改进了代理与环境交互的工具。然而，现有的方法往往过度适应进化任务，完全依赖于轨迹导出的信号，并联合优化Harness组件，导致组件之间的干扰。我们提出了 HarnessCompass，这是一种新型的自动Harness演化框架，围绕约束演化、主动反馈和组件优化而构建。 HarnessCompass 首先对进化实施全局约束，限制对与任务无关的Harness更改的修改，这些更改泛化到进化任务之外。然后，它通过代理关于Harness使用情况的主动第一人称反馈来增强轨迹衍生的证据，从而产生更丰富的进化信号。最后，它将不同Harness组件的优化解耦，然后将它们整合到统一的Harness中，从而减少组件间的干扰，同时保持组件的协同作用。在经过 GPT-5.4 验证的 SWE-bench 上，HarnessCompass 只需 5 次进化迭代即可将 Pass@1 从 54\% 提高到 66\%，在有效性和进化效率方面均优于 AHE。此外，进化的Harness可以有效地转移到保留任务和其他模型，表现出比先前的自动Harness进化方法更强的泛化性。