china-qijizhifeng/agentic-harness-engineering

解决的问题

解决手动优化代码代理（coding agent）‘工具链’（周围基础设施）的困难。与计算成本高昂的基座大模型微调不同，AHE 自动演化系统提示、工具描述、工具实现、中间件、技能、子代理和长期记忆，以提升代理在编码任务中的性能。

工作原理

AHE 基于三个可观测层，采用迭代的 评估 → 分析 → 改进 循环：

1. 组件可观测性：使用 NexAU 将工具链分解为七个 Git 可追踪、可审计的组件。
2. 经验可观测性：代理调试器将海量原始执行轨迹提炼为带来源的报告，识别失败的根本原因。
3. 决策可观测性：演化代理提出基于证据的工具链修改建议，预测其影响，并利用后续评估结果来验证或证伪这些预测。

每次发布都在隔离的 E2B沙箱中运行，以确保安全性和可复现性。

适用人群

希望在不重新训练底层基座模型的前提下，系统性提升代码代理性能的 AI 工程师和研究人员。

核心亮点

• 固定基座模型：优化环境和工具，而非模型权重。
• 证据驱动：每次变更必须基于失败证据和预测影响。
• 跨模型迁移：演化后的工具链可迁移至不同基座模型，无需重新演化。
• 高性能表现：在 Terminal-Bench 2.0 上实现显著的通过率提升。