Xudong Han(@Xudong07452910):小米最近发表的这篇论文很适合所有在为 Agent 性能头疼、但不想每次都去换模型的工程师看，harness 工程值得你认真投入。核心观点：LLM Agent 的性能，几乎有一半的决定权在那层「运行外壳」里，例如提示词、工具描述、记忆接入方式、控制流设计，而不只是底层模型的能力。HarnessX 把这层外壳变成了一个可以像乐高一样组合、并且能自动进化的系统。具体来说：HarnessX 用「替换代数」定义运行外壳的基本构件，让 harness 的各个组件可以被系统化地替换和组合。然后用一个叫 AEGIS 的多 Agent 进化引擎，自动分析 Agent 运行轨迹，找出哪个组件拖了后腿，提出改进，在不碰底层模型的前提下迭代优化整个外壳系统。在 ALFWorld、GAIA、WebShop、tau³-Bench、SWE-bench Verified 五个基准测试上，平均提升 14.5%，最高单项提升 44.0%。我觉得「不改模型、只改外壳，就能在五项 benchmark 平均提升 14.5%」这个数字本身最值得反复想。很多团队在用 Agent 时，遇到性能问题的第一反应是「模型不够强」；但 HarnessX 说的是：你可能还没有用完现有模型在正确外壳设计下的潜力。更重要的是：外壳是工程问题，是可以迭代、可以模块化、可以系统优化的，AEGIS 把这件事变成了一个可以跑起来的自动化流程。以前我们关注 Agent 用什么模型，以后可能更要关注 Agent 的运行外壳设计得有多好，这一层可能才是真正决定 Agent 系统上限的地方。

2026.06.18 03:20

小米最近发表的这篇论文很适合所有在为 Agent 性能头疼、但不想每次都去换模型的工程师看，harness 工程值得你认真投入。核心观点：LLM Agent 的性能，几乎有一半的决定权在那层「运行外壳」里，例如提示词、工具描述、记忆接入方式、控制流设计，而不只是底层模型的能力。HarnessX 把这层外壳变成了一个可以像乐高一样组合、并且能自动进化的系统。具体来说：HarnessX 用「替换代数」定义运行外壳的基本构件，让 harness 的各个组件可以被系统化地替换和组合。然后用一个叫 AEGIS 的多 Agent 进化引擎，自动分析 Agent 运行轨迹，找出哪个组件拖了后腿，提出改进，在不碰底层模型的前提下迭代优化整个外壳系统。在 ALFWorld、GAIA、WebShop、tau³-Bench、SWE-bench Verified 五个基准测试上，平均提升 14.5%，最高单项提升 44.0%。我觉得「不改模型、只改外壳，就能在五项 benchmark 平均提升 14.5%」这个数字本身最值得反复想。很多团队在用 Agent 时，遇到性能问题的第一反应是「模型不够强」；但 HarnessX 说的是：你可能还没有用完现有模型在正确外壳设计下的潜力。更重要的是：外壳是工程问题，是可以迭代、可以模块化、可以系统优化的，AEGIS 把这件事变成了一个可以跑起来的自动化流程。以前我们关注 Agent 用什么模型，以后可能更要关注 Agent 的运行外壳设计得有多好，这一层可能才是真正决定 Agent 系统上限的地方。