论文页面 - Adaptive Auto-Harness: Sustained Self-Improvement for Agentic System Deployment on Open-Ended Task Streams

来源: https://huggingface.co/papers/2606.01770

摘要

Adaptive Auto-Harness 框架通过将性能差距分解为进化损失和适应损失，利用有状态多智能体进化器、适配树和求解时分流，实现在动态任务流上的持续性能改进。

Auto-Harness 系统（https://huggingface.co/papers?q=Auto-harness%20systems）如 A-Evolve、GEPA 和 Meta-Harness，通过优化提示、技能、工具、记忆以及从执行反馈中获取的支持基础设施来改进 LLM 智能体（https://huggingface.co/papers?q=LLM%20agents），但它们通常基于固定的离线基准进行评估。实际部署面临的是开放式任务流：任务历史无限增长，异构任务需要不同的适配框架，且问题分布随时间变化。这些挑战使得单一且频繁密集更新的适配框架变得脆弱，导致准确率在达到峰值后迅速下降。这推动了需要具备任务级适应能力的持续适配框架构建。我们提出 Adaptive Auto-Harness，一个专为此类任务流设计的框架与系统。该框架将与理想适配框架之间的差距分解为进化损失（https://huggingface.co/papers?q=evolution%20loss）和适应损失（https://huggingface.co/papers?q=adaptation%20loss）。系统通过有状态多智能体进化器（https://huggingface.co/papers?q=stateful%20multi-agent%20evolver）、带求解时分流（https://huggingface.co/papers?q=solve-time%20routing）的适配树（https://huggingface.co/papers?q=harness%20tree），以及在历史缺乏必要信号时的人工干预钩子（https://huggingface.co/papers?q=human-steering%20hooks）来应对这些损失。在预测市场、安全竞赛和事件预测的任务流上，Adaptive Auto-Harness 超越了五种现有的 Auto-Harness 基线，消融实验表明性能提升来源于更好的构建、路由或针对性的人工引导。代码可在 https://github.com/A-EVO-Lab/AdaptiveHarness 获取。

查看 arXiv 页面（https://arxiv.org/abs/2606.01770）查看 PDF（https://arxiv.org/pdf/2606.01770）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.01770）

在你的智能体中获取此论文：

hf papers read 2606.01770

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

在模型 README.md 中引用 arxiv.org/abs/2606.01770 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

在数据集 README.md 中引用 arxiv.org/abs/2606.01770 以从此页面链接。

引用此论文的 Space0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2606.01770 以从此页面链接。

包含此论文的收藏0

没有收藏包含此论文

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