让Agent成本暴降90%！自动化Harness适配框架被CMU开源了
团队没有继续训练模型，而是让meta-agent分析失败轨迹，自动调整指令、工具和Agent循环。
结果很直接：优化后的harness在21个“任务-SLM”组合中的16个上显著提升性能，7个组合弥合了SLM与前沿LLM之间的性能差距。表现最好的SLM恢复了约89%的前沿LLM性能，推理成本仅为前沿LLM的4%。
01
不是换模型
而是把部分难度移出模型
当前很多Agent系统是围绕前沿LLM设计的。模型需要自己理解任务、制定计划、挑选工具，并在出错后重新规划。前沿模型通常能够较好地完成这些工作，SLM却更容易暴露出模型能力与任务需求之间的缺口。
作者将常见问题归为五类：工具使用失败（tool-use failure）、遵循指令失败（instruction-following failure）、知识失败（knowledge failure）、长上下文失败（long-context failure），以及规划或推理失败（planning/reasoning failure）。
问题并不完全出在模型无法完成单个步骤，而是它需要同时承担过多工作：既要推断流程，又要从大量工具中做选择，还要避免重复发送消息。
harness adaptation的思路，是把不同实例共享的部分难点固化到外部系统中。明确的步骤写入system prompt，重复操作封装为工具，不相关工具直接隐藏，必须遵守的条件交给程序检查。
模型不必临场解决所有问题，只需可靠完成harness为它划定的任务。
02
meta-agent
自动修改Agent系统
手工寻找合适的harness并不轻松。同一次失败可能同时涉及工具选择、上下文增长和指令遵循，而且不同模型的失败方式并不相同。
因此，研究团队把harness设计转化为一个由数据和评估驱动的搜索问题。
harness optimizer接收目标SLM、训练及验证数据和初始harness，在一个明确的空间中修改system prompts、skills、dynamic contexts、工具、hooks、上下文管理组件和sub-agents。
首先，从已经尝试过的harness候选池中采样一个版本，在训练实例上运行，并记录完整轨迹，包括工具调用、中间观察、输出、分数和反馈。
meta-agent读取原始轨迹与当前harness代码，诊断失败原因，再提出具体修改。它还会查看过去方案及效果，避免重复尝试已经证明无效的调整。
最后，新harness先经过低成本的代码检查，通过后，它会在同一批实例上重新评估，只有出现改进，才进入完整验证并被加入候选池。
团队使用gemini-3.1-pro-preview作为meta-agent。每个任务与模型组合的单次优化预算为20美元，执行三次独立搜索，再保留验证分数最高的harness。
这不是让Agent自由重写自己，而是在受约束的组件空间内，用真实失败轨迹寻找有效修改。
03
预算审批从75.0%升至98.3%
预算审批任务最能说明harness具体改了什么。
经过23轮迭代，优化器为gemma-4-26b-a4b找到了三项关键调整。
第一，把简短的通用提示改写为明确的逐步流程，规定联系人发现、信息收集、预算核对和消息回复的顺序。
第二，过滤不需要的MCP工具，缩小模型的动作空间，减少工具选择错误。
第三，创建anti_loop_hook.py。当Agent准备向同一接收人再次发送完全相同的消息时，hook会直接拒绝调用，并要求模型进入下一步或结束任务。
调整之后，gemma-4-26b-a4b的准确率从75.0%提升至98.3%，超过gemini-3.1-pro-preview的97.3%；单实例平均成本则从0.039美元降至0.017美元。
harness承担了脆弱的规划、筛选和检查，SLM只负责执行已经结构化的流程。
04
什么时候用小模型加harness
论文在七项业务相关任务上进行了实验，包括考勤审计、预算审批、库存预警、IoT时序异常检测、Playwright测试生成、网站管理和代码重构。
三款SLM分别是qwen3-coder-30b-a3b、ministral-3-8b和gemma-4-26b-a4b，对照模型为gemini-3.1-pro-preview。所有配置运行三次并报告平均结果。
三款SLM中，整体适配效果最强的是gemma-4-26b-a4b。它在通用harness下的七项任务平均准确率只有31.4%，优化后达到80.2%；平均延迟也从328秒降至135秒。前沿LLM的平均准确率为89.7%，平均延迟为181秒。
qwen3-coder-30b-a3b的平均准确率从26.9%提升至74.8%。但ministral-3-8b只从9.5%提升至25.0%，部分任务仍然没有改善。
这说明harness可以转移任务难度，但无法替代模型缺失的核心能力。
因此，预算审批、考勤审计、库存预警等流程相对固定的任务，更适合使用“小模型+专用Harness”，代码重构等需求差异较大的开放任务，则更难依靠一套Harness覆盖。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～