china-qijizhifeng/agentic-harness-engineering

解決的問題

解決手動優化程式代理（coding agent）「工具鏈」（周邊基礎設施）的困難。與計算成本高昂的基礎大模型微調不同，AHE 自動演化系統提示、工具描述、工具實作、中介層、技能、子代理與長期記憶，以提升代理在程式任務中的表現。

工作原理

AHE 基於三個可觀測層，採用迭代的 評估 → 分析 → 改進 循環：

1. 組件可觀測性：使用 NexAU 將工具鏈分解為七個 Git 可追蹤、可審計的組件。
2. 經驗可觀測性：代理除錯器將龐大的原始執行軌跡精煉為帶來源的報告，識別失敗的根本原因。
3. 決策可觀測性：演化代理提出基於證據的工具鏈修改建議，預測其影響，並利用後續評估結果來驗證或否證這些預測。

每次發佈都在隔離的 E2B 沙箱中執行，以確保安全性與可重現性。

適用對象

希望在不重新訓練底層基礎模型的前提下，系統性提升程式代理效能的 AI 工程師與研究人員。

核心亮點

• 固定基礎模型：優化環境與工具，而非模型權重。
• 證據驅動：每次變更必須基於失敗證據與預測影響。
• 跨模型遷移：演化後的工具鏈可遷移至不同基礎模型，無需重新演化。
• 高表現效能：在 Terminal-Bench 2.0 上實現顯著的通過率提升。