arXiv cs.AI· Sudipta Paul, Pengrui Quan, Aounon Kumar, Nicholas Tzou, Vivek Kulkarni, Srinivas Chappidi·· 12 小时前AI 评分34
HGM-Dual：面向长时程规划的谱系感知引导式 Agent Harness 优化
HGM-Dual: Lineage-Aware Guided Agent Harness Optimization for Long-Horizon Planning
AI 导读
HGM-Dual 是一个面向规划智能体的诊断引导式 harness 进化框架，在案例准确率上比最强基线最高相对提升 14.45%，并以 2x-4x 更少的评估预算达到 HGM 变体的最终性能。
正文 · AI 翻译
摘要：Harness 优化通过改进智能体的提示词、工具和工作流，是增强基于冻结或闭源 LLM 构建的智能体的一种日益有效的方法。Darwin--Godel Machine 和 Huxley--Godel Machine（HGM）等领先方法依赖递归自我改进，且主要针对编码任务开发，因为改进智能体所需的能力与被改进的能力恰好一致。而规划任务要求智能体生成一系列工具调用，共同满足相互作用的约束，这打破了上述一致性。在此类任务中，开放式自我修改会反复探索无效改动，并消耗大量评估预算。我们提出 HGM-Dual，一个面向规划智能体、以诊断引导实现预算高效 harness 演化的框架。首先，HGM-Dual 将智能体演化表示为谱系感知上下文。该上下文记录每个祖先改动了什么、哪些行为得到改进或退化、哪些修改无效，从而为编辑者提供明确的编辑-结果归因，而非过去智能体的无结构存档。其次，HGM-Dual 引入以错误为条件的双路径子代生成。对于每个选定的父代，它生成一个保留开放式探索的通用子代，以及若干专用子代，这些专用子代针对最可能导致父代最高排名约束违反的 harness 组件。HGM-Dual 在案例准确率上相对最强基线最高提升 14.45%，同时以 2 倍至 4 倍更少的评估预算达到 HGM 变体的最终性能。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG）；神经与进化计算（cs.NE） |
| 引用为： | arXiv:2610.30042 [cs.AI] |
| （或 arXiv:2610.30042v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.30042 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Pengrui Quan [查看邮箱]
[v1]
2026 年 10 月 21 日星期三 17:02:28 UTC（208 KB）
来源：arXiv cs.AI · arxiv.org