Agentic Harness优化的因果改进图

Agentic Harness是构建任务上下文并控制执行流程的运行时，从而塑造智能体的整体性能。给定固定模型和外部评估，自动化Harness优化旨在通过迭代提案（评估循环）来改进运行时间，以更好地解决目标任务。现有的meta-Harness方法主要采用以proposer为中心的发现，其中基于LLM的proposer整合积累的实验结果来确定后续的Harness修订。随着历史的扩展以及其潜在的实验逻辑变得更难以辨别，这给提议者带来了维持不断发展的改进状态的负担。在本文中，我们介绍了因果改进图（CIG），这是一种图管理的元Harness框架，它将不断演变的改进状态外部化在持久图中，允许先前的发现通过本地提议者操作直接管理后续的Harness优化。 CIG 增长并链接证据、假设、干预和结果节点，以表示观察到的内容、如何解释它、如何检验该解释以及评估揭示的内容。它们的结构关系保留了改进状态在迭代中的变化方式，允许本地提议者直接建立在先前发现之间的关系之上，而不是从原始历史中恢复它们。在各种智能体任务中，CIG 发现Harness比之前的元Harness基线更强大，并且对任务求解器和提议器的选择保持稳健。 Structural 消融进一步支持具有图治理演化的显式改进状态的设计。