stanford-iris-lab/meta-harness

解决的问题

Meta-Harness 解决了在无需重新训练或微调基础 AI 模型的情况下，优化「支架」——即管理数据检索、存储和展示的外围代码——的问题。它不改变模型本身，而是专注于改进支持模型的软件架构，以在特定任务上实现最佳性能。

如何工作

它提供了一个针对特定任务模型支架的自动化搜索框架。使用提议代理（如 Claude Code）迭代地演化和优化支架代码。该过程包括定义领域规范和评估计划，框架随后利用这些信息搜索最有效的代码结构来支持模型的操作。

适用人群

希望在不增加训练或微调开销的前提下，提升固定基础模型在特定领域或任务上的性能的开发者和研究人员。

主要亮点

• 自动化搜索：自动为特定任务搜索最佳支架配置。
• 可复用框架：包含引导流程，帮助用户将框架应用于新领域。
• 参考实验：提供文本分类和 Terminal-Bench 2.0 支架演化的示例。
• 可扩展的提议代理：通过适配包装脚本，支持不同提议代理。