ITBEAR科技资讯
网站首页 科技资讯 财经资讯 分享好友

Agnes Harness开源:智能体可现场学习并沉淀经验

时间:2026-11-20 17:27:44来源:互联网编辑:快讯

OpenAI内部一份名为研究加速:锯齿状前沿的报告,向101位研究人员抛出一个假设:如果最强编程Agent被收走三个月,愿意用什么交换。答案集中在算力和人员配置上,不少人宁可削减三成算力或四成人力,也不愿失去这一工具。

这组反馈说明,编程Agent在顶级实验室中的位置已不只是辅助工具。它开始参与到研究流程的核心环节,甚至成为日常工作的基础设施。

但要让Agent进入企业流程、控制机械臂、连接传感器,仅有一个会推理的大模型并不足够。Agnes AI近期开源了智能体运行与扩展框架Agnes Harness,尝试把执行、学习和经验沉淀放到同一套系统中。

框架的第一项设计是双系统决策。大语言模型承担深度思考,负责理解意图、拆解复杂任务、规划路径和处理异常;另一颗决策模型则承担快速反应,在状态明确时决定调用哪个工具、如何路由请求、下一步执行什么。

这颗决策模型名为Agnes Sys1 1.0,参数规模9B,可单机部署,主要面向工具选择、流程判断、请求路由和有序评分。它能在常规任务中完成亚秒级决策,也允许开发者按客服、仓储、代码审查等场景替换为其他模型。

在仿真环境中,机器狗需要找到门并穿过去。若每一步都由大模型通过视觉接口拍照、等待返回、再生成动作,流程会被请求和等待拖慢。接入Sys1后,机器狗可以更快判断门的位置和距离,并连续完成动作,耗时下降32.9%。

除了快,Agnes Harness还试图让Agent在实践中学习。模型层采用TTT,也就是测试时训练。面对当前任务材料时,Sys1会从上下文中提取信息,构造轻量辅助任务,并在单次请求内做少量参数更新。更新范围被限制在模型末端的RMSNorm缩放参数上,既能适应当前语境,又不会污染后续请求的基线状态。

系统层则由RSI负责。它依托事件账本和状态记录,监控任务执行过程,定位报错、重复重试和效率低下的环节,再根据上下文与设备状态推演新策略。新策略会在当前会话或相似任务中验证,验证有效后被封装为Skills和版本化Playbook。

设备入库验收案例中,Agent首次执行时不熟悉秤台稳定判断,操作顺序出错,任务在30分钟后仍未完成。RSI复盘后记录秤读数提取时机,并整理出操作手册。下一次执行时,Agent按已验证流程推进,8分钟内完成结案。

行李房场景更复杂。Agent需要扫码识别易碎行李归属并完成分拣,还要对另一件行李实测称重,判断是否暂留。首次执行时,扫码和分拣顺利,但设备操作冲突、称重时机不当,有效读数迟迟没有拿到。RSI经过多轮分析,调整设备调用顺序、称重前置条件和读数校验方式,并将有效流程沉淀下来。优化后,Agent测得重量12.60公斤,确认超过标重4.60公斤,触发暂留条件,9项评测和后续三次独立复验均通过。

框架还把记忆作为独立能力。事件账本保存任务进度,Skills和Playbook保存已跑通的流程,使长流程执行时不容易丢失状态。TTT和RSI则一内一外,前者让模型在当下适应,后者让系统在长期积累。

要向物理世界延伸,还需要硬件接入层。MHS用统一标准连接机器人、机械臂和传感器等可编程设备。大模型理解人类意图,Sys1快速判断步骤,MHS把指令落到设备上,并协调多台设备协同工作。在演示中,机器狗可以按自然语言指令找到瓦力并打招呼。

Agnes团队围绕真实任务端到端完成效果,对九项公开基准做了阶段性自评。MHS-Benchmark、WorkBuddy Code、AGH-Benchmark、BigCodeBench-Hard V1、τ-bench text-v1和DeepPlanning六项核心评测中,Agnes Harness拿到对照组最高成绩;AppWorld-dev与Codex持平。DeepPlanning得分87.07,BigCodeBench-Hard V1通过率40.69%。MHS-Benchmark中,Agnes Harness成功率为41%,高于DeepSeek Harness的40%和Codex的36%。

Agnes Harness采用插件化架构,模型适配器、工具、角色以及RSI沉淀的Skills都能封装为带版本管理的插件,并通过MCP接入企业现有ERP或MES系统。代码透明可审计,决策模型可替换,Playbook资产归属企业自身,MHS以开放标准连接硬件生态。

目前,Agnes Harness已在GitHub开源,开发者可以克隆代码进行探索、体验和共建。

更多热门内容