@sydneyrunkle: 假设智能体 = 模型 + 工具套件。不幸的是，好的模型越来越贵！所以你需要一个出色的工具套件来…
摘要
关于通过改进工具套件组件来优化AI智能体性能的指南，以补偿昂贵的模型成本，重点关注爬山技术。
假设智能体 = 模型 + 工具套件。不幸的是，好的模型越来越贵！所以你需要一个出色的工具套件来弥补。你可以通过使用工具套件进行爬山优化来缩小智能体性能差距，这里有一份指南告诉你如何做到！
相似文章
观察：每个模型的最佳代理框架将由模型开发者自身提供
讨论人工智能模型如何在使用其自身开发者构建的框架时表现最佳，而第三方框架可能导致表现不佳，尽管基准测试成绩出色。文中引用了Claude Code（针对Claude模型）和Codex（针对GPT模型）等示例。
@omarsar0: // 适配接口，而非模型 // 我对我的廉价模型加优质harness构建的结果感到着迷…
提出了Life-Harness，一种通过适配运行时接口而非模型权重来改进冻结的LLM智能体的方法，在126个设置和18个backbones中实现了平均88.5%的相对改进。
@SergioPaniego：前沿智能体之所以如此出色，部分原因是模型在与其一同交付的同一框架内进行了训练。很高兴看到这…
Sergio Paniego 强调，前沿智能体的性能得益于模型在其部署框架内进行训练。NVIDIA AI 的新工作“Polar: Agentic RL on Any Harness at Scale”能够将 Codex、Claude Code、Qwen Code 或 Pi 等框架转化为强化学习训练环境，而无需修改其内部结构。
我以为是模型问题的代理bug，结果出在框架上
作者分享了一次调试经历：代理循环是由框架截断工具输出导致的，而非模型故障，突显了代理基础设施相比模型存在的可靠性差距。
@dair_ai: // 状态外部化框架 // 关于如何有效构建代理和框架的一种新范式正在兴起。如果……
Harness-1 引入了一种状态外部化框架，将常规记账与搜索代理中的策略决策分离，使一个 20B 模型在多个基准测试中超越更大的前沿搜索器。