这项由北京航空大学异日区块链与诡秘策动精革命中心东谈主工智能学院与清华大学联开展的征询，于2026年6月1日以预印本形势发布，编号为arXiv:2606.01779，征询效果被定名为HarnessForge框架。成心思入了解的读者不错通过该编号在arXiv平台查阅完满论文。

**个让AI干活的穷苦**

假定你雇了位助手，你给他本操作手册（告诉他该按照什么要领责任），然后让他去完成各式任务。问题来了：当任务越来越复杂、越来越万般时，手册里的要领可能根底跟不上需要，而助抄自己的才调也未能履行手册里要求的那些复杂操作。厄运的是，手册和助手之间可能存在"代沟"——手册写得很好，但助手根底没主见照着作念；大约助手很灵巧，但手册太简易，致他阐扬不出来。

这恰是面前AI助手（也便是"大言语模子智能体"，肤浅相识成能履行复杂任务的AI门径）濒临的中枢窘境。北航和清华的征询团队发现，以往的法要么只改良"手册"（业上叫"外部履行框架"或"harness"），要么只陶冶"助手"（业上叫"战术"或"policy"），从莫得东谈主厚爱辩论过把这两者**起**进化——让手册和助手相互磨、相互相宜。HarnessForge便是为了惩办这个问题而生的。

**、AI助手为什么老是"换个场景就不能了"**

回到阿谁雇员的譬如。当你的助手只需要在公司作念固定责任时，本写好的操作手册就够了。但当代AI助手面对的挑战远不啻于此——它既要搜索网页查良友，又要调用各式器具和API接口，还要记着高下文、明白复杂任务、与多个系统交互。每换个场景，对"手册"的形貌要求就不同。

征询团队把这种窘境玄虚为三种典型失败格局。种是"动作阐发书写错了"，也便是手册端正的器具调用形貌和要领根底不合，AI按照手册操作只会不停出错。二种是"任务拆解式不合"，手册莫得教AI如何把个复杂问题拆成不错缓缓惩办的小问题，致AI在面对多要领任务时束手策。三种是"追思没被正确诓骗"，手册莫得告诉AI什么时候该记着什么、该回忆什么，致AI在履行过程中淡忘了关键信息。

以往的惩办案就像在修辆车时，有东谈主门负责换引擎，有东谈主门负责调向盘，但从来莫得东谈主把整台车放在起统筹辩论——引擎换了，向盘照旧旧的，两者不配套，跑起来照样出问题。

**二、HarnessForge的中枢想路：让手册和助手起进化**

HarnessForge的中枢洞悉终点径直：与其划分化手册或助手阿拉尔隔热条设备，不如把"手册+助手"这个组手脚个合座来化。征询团队把这个组肃穆界说为个"智能体系统"，用公式抒发便是：智能体系统 = （履行手册，理助手）。

履行手册由三个部分构成。部分是"方案模块"，负包袱务明白、重新方案和何时住手；二部分是"动作模块"，负责器具调用的形貌表率、角分派和谐和法则；三部分是"追思模块"，负责什么信息该被存储、什么时候该被调取、如何被整理后呈现给AI。理助手则是在手册界说的框架内执行履行理的AI模子，它有个不错微调的"适配器"，不错在不改变基础模子的情况放学习新妙技。

通盘HarnessForge框架分红多轮进化，每轮王人像是给这对"搭档"进行次度磨陶冶。具体来说，每轮进化包含两个相互促进的阶段：先改良手册，再让助手相宜改良后的手册。两者不停螺旋飞腾，直到这对搭档越来越领路。

**三、"故障诊断+档案参考"：手册是怎样被改良的**

手册的改良过程有点像病院的诊断轨制。当AI在履行任务时出了问题，HarnessForge不会磨叽地说"这个AI出错了"，而是会仔细分析：到底是手册的哪个部分致了失败？是方案模块莫得正确分奉命务？是动作模块的器具调用形貌出了问题？照旧追思模块莫得实时提供关键信息？

这个诊断责任由个门的"元智能体"（不错相识成个门负责分析和改良的AI，本征询中使用的是GPT-5.5）来完成。元智能体会同期检察现时手册的想象、失败轨迹的具体过程以及合座阐扬数据，然后输出份详备的"故障论述"，明确指出是方案、动作照旧追思出了问题。

诊断完成后，系统并不会从运行重新写本手册，而是会先查阅个"历史档案库"。这个档案库存储了之前通盘版块的手册过火阐扬数据。元智能体会从中找出那些在肖似故障情况下阐扬精湛的历史手册，提真金不怕火出可复用的改良向，酿成份"改良建议书"。

有了改良建议书，系统才运行生成新版块的手册候选案。每轮会生成8个候选手册，然后通过个"半淘汰赛"机制缓缓筛选：先用200个任务测试，淘汰半；再用200个任务测试，再淘汰半，终留住2个手册投入下阶段。这种分阶段筛选的公道是从简策动资源，不需要把通盘候选手册王人在全量数据上跑遍。

筛选法式并不单看任务完成率，而是同期辩论三个维度：任务完成质料、花消的token数目（额外于AI的"想考老本"）以及反映蔓延。这种多标的衡量的式，保证了终留住来的手册不仅仅"能完成任务"，还要"地完成任务"。

**四、"量身定制的陶冶"：助手是怎样相宜外行册的**

手册升之后，老助手可能时半会儿相宜不了新的操作经过。这就好比公司换了套全新的责任表率，老职工还在用旧俗例干活——手册再好阿拉尔隔热条设备，履行起来也会扣头。HarnessForge的惩办案是为每本手册门陶冶个配套的"适配器"。

这里的"适配器"是种轻量的微调手艺（学名叫LoRA，低秩自相宜），不错在不更动基础AI模子的前提下，给模子附加层门针对特定手册的举止俗例。这么作念的公道是无邪——基础模子惟一个，但不错搭配不同的手册配上不同的适配器，就像同个东谈主不错根据不同岗亭的操作表率调治我方的责任式。

陶冶数据的开端终点灵巧：径直复用手册筛选阶段仍是收罗到的告成履行轨迹，而不需要突出再跑批任务来收罗数据。惟一那些告成完成任务的轨迹才会被保留，然后被明白成个个"输入-输出"对：输入是现时任务形色、手册接口表率、已积蓄的不雅察记载、现时追思景色和可用动作；输出是在这个手册框架下应该作念出的下走路为。通过这种式陶冶出来的适配器，能让助手准确地按照外行册的表率行事——无论是调用器具的形貌、方案任务的要领照旧治理追思的式，王人会符外行册的要求。

这种陶冶式使用的是监督微调（SFT），额外于"照着告成案例师法"。征询团队还探索了但耗资源的强化学习法（GRPO和RLOO），发现它们不错逾越栽植果，但代价是需要多策动资源——这个衡量关系在后续实验中有详备考据。

**五、五个科场、两种AI鸿沟的熟谙**

征询团队在五个各具特的测试场景中考据了HarnessForge的果，使用了两种鸿沟的基础模子：Qwen3-4B（40亿参数，较小）和Qwen3-8B（80亿参数，较大）。

个场景是ToolHop，门测试多跳器具使用才调。什么叫"多跳"？便是为了回话个问题，AI需要先调用器具A得到中间遗弃，再用中间遗弃去调用器具B，再把器具B的遗弃用于器具C……就像解谈需要多个要领的数学题，每步王人依赖上步的遗弃。二个场景是SearchQA，由HotpotQA和2WikiMultiHopQA两个数据集构成，考验AI在土产货文档库中检索信息并回话多跳问题的才调。三个场景是RestBench-TMDB，模拟调用电影数据库的REST格调API接口，测试AI能否正确取舍API端点并组调用。四个场景是API-Bank，测试AI面对各类用户需求时能否准确调用结构化API接口。

实验遗弃流露，与通盘竞争法比较，HarnessForge在大大王人测试想法上王人达到了水平，平均比强的单竞争法出3.56个百分点。亮眼的遗弃出现在TMDB场景：在4B鸿沟的模子上，告成率比强基线栽植了12个百分点；在8B鸿沟的模子上，栽植幅度也有6个百分点。在API-Bank场景，API调用准确率平均栽植了近5个百分点。在ToolHop场景，终谜底正确率平均栽植了约3.3个百分点。SearchQA的总体得分也达到了通盘法中的值42.83。

值得温煦的是，那些门作念战术陶冶的竞争法（RLOO和GRPO）花消的策动资源比HarnessForge多得多，但大大王人想法仍然不如HarnessForge——这阐发联进化的果并不仅仅靠"多策动资源"换来的。

**六、缺哪半王人不能：断绝望望才知谈**

为了阐明手册进化和助手陶冶这两个部分缺不可阿拉尔隔热条设备，征询团队作念了组对如实验：划分去掉手册进化（只陶冶助手）和去掉助手陶冶（只改良手册），然后对比三轮进化后的果差距。

遗弃终点澄莹。去掉手册进化之后，ToolHop的正确率在三轮下跌了6.15个百分点，SearchQA下跌了5个百分点——而且跟着轮数进，差距越来越大，阐发手册进化的价值是累积的，越往后孝顺越重要。去掉助手陶冶之后，三轮的ToolHop下跌了2.56个百分点，塑料管材设备SearchQA下跌了3个百分点。两者比较，手册进化对终果的孝顺大，但助手陶冶的缺失也会带来不可忽视的亏本。

这个遗弃很好地回话了个可能有东谈主会质疑的问题：既然手册进化孝顺大，为什么不干脆只作念手册进化？谜底是，手册再好，若是助手莫得经过门相宜陶冶，履行质料仍然会扣头——两者是相反相成的关系，缺不可。

**七、留几本手册备选，照旧只留本？**

在每轮进化中，终留住些许本备选手册，会对果产生多大影响？征询团队门测试了留1本、2本和3本三种树立。

只留1本手册通常太过保守，会错过可能的探索向。从三轮的遗弃来看，从1本加多到2本，ToolHop栽植了3.6个百分点，TMDB栽植了6个百分点，API-Bank栽植了2.6个百分点，SearchQA栽植了0.7个百分点，平均栽植约3.2个百分点。但不绝从2本加多到3本，大大王人场景的栽植就聊胜于无了，偶然候反而略有下跌。背后的逻辑是，保留太多手册会稀释取舍压力——额外于你在聘请秀职工时，留的东谈主太多，就失去了筛选的意思意思。2本这个数字在"保留裕如万般"和"保执裕如的聘请法式"之间找到了个均衡点。

**八、手册和助手到底有莫得"属搭档应"？**

征询中有劝服力的组实验，是把通盘进化过的手册和通盘进化过的助手两两配对，测试每种组的果。这就像是把通盘版块的操作手册和通盘版块的职工随即搭配，望望哪些组阐扬好、哪些阐扬差。

在API-Bank场景，基础的手册+基础助手组的告成率是69.30。沿着对角线（也便是手册和助手恒久保执配套的进化旅途），终版块的配对告成率达到了77.19。但若是把终版手册配上早期助手，平均告成率惟一71.93；把终版助手配上早期手册，平均告成率也惟一71.06。这种差距终点澄莹地阐发了件事：HarnessForge的逾越不是靠着立造了个"强手册"或个"强助手"，而是靠着让手册和助手在相互磨中酿成了属的配领路。把它们断绝来，果就会大扣头。

在ToolHop场景，肖似的矩阵分析也显表露相似的礼貌：配套组恒久于错配组，而且跟着进化轮次加多，配套果的栽植幅度也在累积增长。

**九、用强的陶冶法阿拉尔隔热条设备，果还能再栽植**

HarnessForge默许使用的是肤浅的监督微调（SFT），也便是"照着告成案例师法"。征询团队还测试了用强化学习法（GRPO和RLOO）来替换这个要害。

在三轮，使用GRPO时ToolHop的谜底准确率从50.77栽植到了52.31；使用RLOO时API-Bank的告成率从71.05栽植到了72.80。但代价是策动资源的大幅加多——三轮使用强化学习需要花消45600次模子调用，而使用SFT只需要12000次。这个对比揭示了个很执行的取舍逻辑：若是策动资源充裕，强化学习不错逾越挖掘后劲；若是策动资源有限，SFT仍是能在相对低的老本下赢得大部分收益。HarnessForge的框架想象对两种式王人兼容，使用者不错根据执行需求无邪取舍。

**十、三轮进化的具体故事：手册改了什么**

征询团队通过个具体的ToolHop场景，展示了手册在三轮进化中究竟资历了什么样的改变。

轮进化主要了两件事：是任务明白变得精细，把大标的拆成了澄莹的子标的；二是追思治理变得有礼貌，会把重要的高下文致地注入给AI。这轮改良带来了2.14的能栽植，随后配套的助手陶冶又突出孝顺了1.57的栽植。

二轮进化的转向了方案的可靠和动作履行的自由：加入了"凭据台账"机制（让AI明确记载每个中间要领的凭据开端），并改良了器具调用的考据逻辑（在提交终谜底前搜检是否有裕如的支执凭据）。这轮的手册改良孝顺了2.51，助手陶冶孝顺了2.10。

三轮进化聚焦于追思检索：改良了如何根据现时任务阶段和问题结构来索求磋议历史信息，避把古老或关的记载带入现时理过程。后轮手册改良孝顺了0.94，助手陶冶孝顺了1.11。三轮累计下来，能从初的41栽植到了52.82，每步的积蓄王人澄莹可见。

**失败案例里藏着什么礼貌**

征询团队还系统分析了不同场景下失败的原因漫步。在API-Bank和TMDB这类重度依赖API调用的场景中，节略四分之的失败来自"动作模块"的问题——形貌不合、接口调用纪律有误、器具反复调用堕入轮回。在SearchQA这类多跳问答场景中，方案类失败占了额外大比例，主要阐扬为AI用了落后的查询词在重叠搜索，而不是根据新进展调治搜索向。在ToolHop场景，多跳器具链的保重失败和终谜底的作假支执是主要问题。追思磋议的成立诚然占比较小，但通常以"配成立"的形势出现，自由着方案和动作的履行。

征询团队通过五个具体的父子轨迹对比案例，直不雅地展示了手册改良的果。举例，在个需要比较两位历史东谈主物降诞辰期的任务中，改良前的AI会反复提交莫得凭据支执的终谜底，改良后的手册要求AI须找到有执行凭据支执的谜底才能提交。在个波及账户删除的API任务中，改良前的AI会在认证要领反复卡壳，改良后的手册明确了认证和删除操作的纪律表率以及输出形貌要求，AI次就完成了任务。

**归根结底，这项征询阐发了什么**

说到底，HarnessForge揭示了个对于AI助手系统的内容礼貌：让个AI系统信得过巧用，不是单磨某个件就能作念到的，而是要让"操作手册"和"履行者"酿成信得过的领路配。这听起来可能像是句学问，但在AI域，过去莫得东谈主把这对搭档手脚个合座来系统化。

对于普通用户而言，这项征询意味着异日基于AI的智能助手和自动化器具可能会在多要领、多器具的复杂场景中加可靠——无论是帮你查询和整多开端信息、调用各类应用接口完成复杂操作，照旧在长时间对话中保执准确的高下文追思。重要的是，这种逾越并不需要换用大的AI模子，就连40亿参数这种相对"轻量"的模子，经过HarnessForge的联进化，王人能在多项测试中过那些单化的大模子。

天然，征询团队也坦诚地指出了这项责任的局限。面前的测试主要在4B和8B鸿沟的模子上进行，对于那些参数目大得多的顶模子，手册与助手联进化能带来多大的空间还有待探索。此外，每轮进化王人需要屡次运行任务来收罗数据，在终点复杂的长经过场景中，这个老本可能会额外可不雅。征询团队暴戾了几个潜在的改良向，包括用快的代理评估替代完满运行、自相宜分派策动资源，以及引入平日的手册裁剪操作（比如完满的代码重写或全新器具接口想象）。

这项征询还有个宏不雅的意思意思：它为如安在资源受限的条款下让小模子也能胜任复杂任务提供了条澄莹的旅途，不是靠堆算力，而是靠让手册和助手相互相宜、相互建设。成心思入了出恭艺细节的读者，不错通过arXiv编号2606.01779查阅完满论文。

Q&A

Q1：HarnessForge框架的"手册"（harness）具体指的是什么？

A：HarnessForge中的"手册"是指端正AI如何履行任务的外部结构，由三个部分构成：方案模块（负包袱务明白和重新方案）、动作模块（负责器具调用形貌和谐和法则）以及追思模块（负责信息的存储、调取和整理）。它不是AI模子自己，而是告诉AI"按什么要领干活"的履行框架，肖似于职工的操作手册。

Q2：HarnessForge和只陶冶AI模子的法比较有什么势？

A：单陶冶AI模子（战术）的法假定履行手册是固定不变的，AI只可在既有框架内化。HarnessForge同期进化手册和AI适配器，让两者酿成属配。实验流露，即使单陶冶法花消了多策动资源（如GRPO和RLOO需要的调用次数是HarnessForge的近4倍），在大大王人测试想法上仍不如HarnessForge，大差距可达12个百分点。

Q3：HarnessForge需要多大鸿沟的AI模子才能有运作？

A：HarnessForge在40亿参数（Qwen3-4B）和80亿参数（Qwen3-8B）两种鸿沟的模子上王人经过了测试，两种鸿沟王人取得了显赫果。征询标明，即使是相对轻量的4B模子，经过联进化后也能在多项测试中越单化的较大模子，阐发这套法并不依赖大鸿沟模子，在资源受限的场景下相似有。手机：18631662662（同微信号）相关词条:铝皮保温     隔热条设备     钢绞线厂家玻璃棉    泡沫板橡塑板专用胶

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定阿拉尔隔热条设备，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。