TianyuCodings/JevHarness

解决的问题

JevHarness 解决了在任务的每一步都使用大型、重推理 LLM 所带来的高延迟和高成本问题。它允许开发者将重复的、上下文敏感的决策卸载给更快速、轻量级的判断引擎 (Jev)，同时将复杂的推理逻辑保留在结构化的“冻结” harness 中。

工作原理

编写 LLM 会生成一个特定任务的 harness——即 Python 代码、结构化指令和 Jev 特定标准的组合。该 harness 将任务观察结果处理为特征，并使用 Jev 基于这些特征做出快速、模糊的决策。一旦 harness 开发并验证完成，它就可以被冻结并独立于编写 LLM 执行。该框架支持通过反思进行可选的优化，利用执行轨迹和奖励来迭代改进 harness。

适用人群

本项目适用于构建代理工作流的开发者和 AI 工程师，他们需要在高层推理与低延迟、可靠执行之间取得平衡。它特别适用于需要在定义环境中进行重复、快速决策的任务，例如游戏代理或自动化路由系统。

亮点

• 混合执行： 结合了编写 LLM 的深度推理与轻量级 Jev 判断调用的速度。
• 迭代优化： 支持反思和候选选择 (GEPA)，根据实际执行轨迹提高 harness 性能。
• Claude Code 集成： 提供 Claude Code 插件，帮助代理直接在开发环境中构建、测试和优化 harness。
• 透明调试： 包含检查决策记录、查看演化树和重放执行轨迹的工具，以了解 harness 如何得出特定操作。