openJiuwen 社区又上新： JiuwenSwarm 给 Harness 装上「后训练」

📌 一句话摘要

openJiuwen 社区开源了评测驱动的 Auto Harness 框架，通过双层架构（Meta Harness 改基座、Expert Harness 加扩展）实现 Agent 外部执行系统的自动化优化，补上了 Agent「后训练」的关键拼图。

📝 详细摘要

本文介绍了 openJiuwen 社区开源的 Auto Harness 框架，旨在解决 Agent 落地中 Harness（模型外部的执行系统）依赖人工调试的工程瓶颈。文章首先指出模型后训练（RLHF/DPO/GRPO）已成熟，但 Harness 的调优仍靠手工，且难以跨场景复用。Auto Harness 的核心是评测驱动的闭环优化：跑评测 → 诊断问题 → 规划修改 → 实施修改 → 再验证。框架采用双层架构：Meta Harness 优化通用基座（如自动调研 Claude Code 的上下文压缩实现并提 PR），Expert Harness 按需生成领域扩展包（如办公能力），支持热加载。文章通过两个详细 Demo 展示了从自动竞品分析到自动 PR 提交流程，以及 Agent 自我诊断并安装新技能的全过程。最后，文章展望了 Swarm Post-Training，即多 Agent 协同优化，将 Agent 后训练从模型层扩展到单兵和团队层。

💡 主要观点

- Agent 落地的工程瓶颈在于 Harness 的调优仍依赖人工，且难以跨场景复用。 模型后训练已有成熟方法论，但 Harness（工具调用、上下文管理、任务编排等）的调试仍靠工程师经验，换个场景就得推倒重来，累积成工程瓶颈。

Auto Harness 通过评测驱动的闭环优化实现 Harness 自动化。 核心机制是「跑评测 → 诊断 → 规划 → 修改 → 再验证」的闭环，无需人工介入，让 Agent 能根据任务反馈自我进化。

双层架构（Meta + Expert）在灵活性与安全性之间取得了良好平衡。 Meta Harness 修改基座代码后需提交 PR 由人评审，保证核心稳定；Expert Harness 生成扩展包后热加载即用，灵活按需。这种边界设计比追求「全自动」的方案更务实。

Auto Harness 补上了 Agent「后训练」的最后一块拼图。 从模型后训练（Model Post-training）到单 Agent Harness 优化（Auto Harness），再到多 Agent 协同优化（Swarm Post-Training），形成完整的 Agent 工程进化体系。

💬 文章金句

- Agent = Model + Harness

• 模型这边，从 RLHF 到 DPO 到 GRPO，后训练已经卷出了完整的方法论。Harness 这边呢？至今还在靠人手工调。
• 过去，调 Harness 更像一门手艺，依赖工程师经验，也依赖大量试错。Auto Harness 试图把这件事变成一套可评测、可迭代、可回滚的工程流程。
• Meta Harness 和 Expert Harness 的双层优化架构——既克制又实用。

📊 文章信息

AI 初评：85

来源：InfoQ 中文

作者：InfoQ 中文

分类：人工智能

语言：中文

阅读时间：13 分钟

字数：3229

标签： AI Agent, Auto Harness, Agent 工程, 后训练, 开源项目

阅读完整文章