arXiv cs.AI· Ruiyao Xu, Yanfei Chen, Zhongying CuiZhu, Bhavana Dalvi Mishra, Yifei Ming, Han Yu, Rujun Han, Chen-Yu Lee, Tomas Pfister·· 3 天前AI 评分42
Harness^2：面向开放世界的递归式智能体执行框架
Harness^2: Recursive Agent Harnessing for an Open World
AI 导读
Harness^2 是一个即插即用的递归式智能体执行框架，通过任务级与执行级两层递归，在无真值验证器的情况下用对比式 Propose-Probe-Compose 步骤引导执行框架编辑。
正文 · AI 翻译
摘要：LLM 智能体的能力不仅取决于其底层模型，还取决于其执行框架。递归自我改进（RSI）为自动演化这些框架提供了一种有前景的方法。然而，在开放世界环境中部署 RSI 仍面临两个关键挑战。首先，开放世界任务通常在框架设计阶段未曾见过，且在测试时是全新的，因此没有真值验证器来可靠地指导在线框架编辑。其次，RSI 过程仍然高度依赖具体任务，无法泛化到新场景。我们提出 Harness^2，一个即插即用的递归智能体框架化框架，通过两个相互关联的递归层级来应对这些挑战。任务级递归使用对比式“提议-探测-组合”步骤来改进当前任务的框架，无需真值验证器即可可靠地指导编辑，并可通过并行或串行递归进一步扩展。框架化级递归则从这些编辑中提取经验，以更新一个持续改进框架，使智能体能够更好地适应未来任务。在三个专业基准和四种模型-框架配置上，单步改进持续提升了 GLM-5 和 Gemini 3.5 Flash 相对于其基础框架的表现，在 WorkBuddy-Bench 上最高提升 11.5 分，在 JobBench 上提升 4.5 分，在 LAB 上提升 11.8 个百分点，且随着任务级递归预算增加，提升幅度进一步增大。
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.14224 [cs.AI] |
| （或使用 arXiv:2610.14224v1 [cs.AI] 引用此版本） | |
| https://doi.org/10.48550/arXiv.2610.14224 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yanfei Chen [查看电子邮件]
[v1]
2026年10月9日星期五 18:34:25 UTC（6,866 KB）
来源：arXiv cs.AI · arxiv.org