论文页面 - HarnessForge：用于自适应代理系统的协同框架与策略演化

来源：https://huggingface.co/papers/2606.01779

摘要

LLM代理在面对需要不同执行范式的异构任务场景时面临挑战，这推动了超越组件更新的系统级元适应的需求。

LLM代理（https://huggingface.co/papers?q=LLM%20agents）日益需要在需要不同执行范式的异构任务场景中运行。这挑战了固定代理系统（https://huggingface.co/papers?q=agent%20systems），并推动了超越孤立组件更新的系统级元适应（https://huggingface.co/papers?q=meta-adaptation）。虽然现有工作已调整外部框架或训练底层推理策略，但全系统适应仍未得到充分表征。结构与执行之间的适应空间很少被明确化，并且外部框架与内部推理器之间的兼容性也未得到联合优化。我们提出HarnessForge，一个用于演化LLM代理系统（https://huggingface.co/papers?q=agent%20systems）的元自适应框架。HarnessForge将代理系统表述为框架-策略对，定义了将框架级执行结构与策略级推理行为分离的稳定适应空间。然后，它通过故障引导的框架剪裁（https://huggingface.co/papers?q=fault-guided%20harness%20tailoring）和框架条件化的策略对齐（https://huggingface.co/papers?q=harness-conditioned%20policy%20alignment）执行框架-策略协同演化（https://huggingface.co/papers?q=co-evolution）。在来自不同领域的五个基准上的实验表明，HarnessForge持续改进了Qwen3-4B和Qwen3-8B骨干网络，超越了仅框架和仅策略的基线，相比最强基线提升了高达12.0%，并实现了有利的展开效率权衡，表明框架-策略协同演化（https://huggingface.co/papers?q=co-evolution）是有效的，并且框架与推理策略之间的执行兼容性对于代理系统适应至关重要。代码可在https://github.com/mingju-c/HarnessForge获取。

查看arXiv页面（https://arxiv.org/abs/2606.01779）查看PDF（https://arxiv.org/pdf/2606.01779）GitHub8（https://github.com/mingju-c/HarnessForge）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.01779）

在你的代理中获取此论文：

hf papers read 2606.01779

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

请在模型README.md中引用arxiv.org/abs/2606.01779以从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

请在数据集README.md中引用arxiv.org/abs/2606.01779以从此页面链接。

引用此论文的Spaces0

没有Space链接此论文

请在Space README.md中引用arxiv.org/abs/2606.01779以从此页面链接。

包含此论文的收藏0

没有包含此论文的收藏

请将这篇论文添加到收藏（https://huggingface.co/new-collection）以从此页面链接。