Xudong Han(@Xudong07452910):一个 9B 模型，专门学习怎么给 Agent 修 harness，最后比更大的前沿模型改得更稳。这篇论文提出 Harness-R1，把「改进 Agent 的运行外壳」本身训练成了一项能力。它会读取 Agent 的失败轨迹，找出工具误用、状态丢失、重复尝试和恢复失败等问题，再生成可以直接运行的 harness 补丁。补丁可以介入任务开始、决策前、执行前和环境反馈后，调整上下文、动作验证和错误恢复。关键在于，系统不会根据补丁写得是否合理来打分。修改后的 Agent 必须重新执行任务，真实成功率有没有提升，才决定这次修改值不值得学习。在 WebShop、ALFWorld 和 DBBench 上，Harness-R1 将 Qwen3.5-9B 的平均成功率从 44.3% 提升到 53.6%。当目标 Agent 自身经过微调后，它还能继续把成功率从 59.2% 推到 64.2%。训练出的编辑能力也迁移到了 20 个未见过的目标模型，平均提升约 7 个百分现在模型可以从经验中更新参数，Harness Engineer 则学习如何调整上下文、工具、验证和恢复机制。看起来合理的修改，放进真实系统后可能反而降低成功率。未来 Agent 改进 Agent，真正重要的标准还是能不能跑通、能不能验证，以及出问题后能不能回滚。 📎 arxiv:

2026.08.06 09:30

一个 9B 模型，专门学习怎么给 Agent 修 harness，最后比更大的前沿模型改得更稳。这篇论文提出 Harness-R1，把「改进 Agent 的运行外壳」本身训练成了一项能力。它会读取 Agent 的失败轨迹，找出工具误用、状态丢失、重复尝试和恢复失败等问题，再生成可以直接运行的 harness 补丁。补丁可以介入任务开始、决策前、执行前和环境反馈后，调整上下文、动作验证和错误恢复。关键在于，系统不会根据补丁写得是否合理来打分。修改后的 Agent 必须重新执行任务，真实成功率有没有提升，才决定这次修改值不值得学习。在 WebShop、ALFWorld 和 DBBench 上，Harness-R1 将 Qwen3.5-9B 的平均成功率从 44.3% 提升到 53.6%。当目标 Agent 自身经过微调后，它还能继续把成功率从 59.2% 推到 64.2%。训练出的编辑能力也迁移到了 20 个未见过的目标模型，平均提升约 7 个百分现在模型可以从经验中更新参数，Harness Engineer 则学习如何调整上下文、工具、验证和恢复机制。看起来合理的修改，放进真实系统后可能反而降低成功率。未来 Agent 改进 Agent，真正重要的标准还是能不能跑通、能不能验证，以及出问题后能不能回滚。 📎 arxiv: