Harness^2: Recursive Agent Harnessing for an Open World

Ruiyao Xu; Yanfei Chen; Zhongying CuiZhu; Bhavana Dalvi Mishra; Yifei Ming; Han Yu; Rujun Han; Chen-Yu Lee; Tomas Pfister

Harness^2: تسخير الوكلاء التكراري لعالم مفتوح

Ruiyao Xu, Yanfei Chen, Zhongying CuiZhu, Bhavana Dalvi Mishra, Yifei Ming, Han Yu, Rujun Han, Chen-Yu Lee, Tomas Pfister

تاريخ النشر 2026-10-09cs.AIcs.CLcs.LG arXiv PDF

اقرأ مع الترجمة والذكاء الاصطناعي

الملخص في ثلاثة أسطر

🎯 في عمليات نشر الوكلاء في العالم المفتوح، تفتقر المهام الجديدة إلى مدققات الحقيقة الأرضية، وتعجز تعديلات عُدّة التسخير الخاصة بالمهمة عن الانتقال إلى المهام المستقبلية.
🔧 يقدّم Harness2 مستويين مقترنين من التكرارية: تكرارية على مستوى المهمة تستخدم خطوات Propose–Probe–Compose التباينية، وتكرارية على مستوى التسخير تحدّث مكتبة التحسين المستمر عبر المهام.
📈 يحقق مكاسب من خطوة واحدة تصل إلى 11.5 نقطة على WorkBuddy-Bench، و4.5 نقطة على JobBench، و11.8 نقطة مئوية على LAB، مع مكاسب إضافية عبر التكرارية المتوازية أو المتسلسلة.

الملخص

لا تعتمد قدرات وكلاء النماذج اللغوية الكبيرة (LLM) على نماذجها الأساسية فحسب، بل تعتمد أيضًا على عُدد تسخير التنفيذ الخاصة بها. يوفّر التحسين الذاتي التكراري (RSI) نهجًا واعدًا للتطوير التلقائي لعُدد التسخير هذه. ومع ذلك، يواجه نشر RSI في بيئات العالم المفتوح تحديين حاسمين؛ أولاً: تكون مهام العالم المفتوح غير مرئية عادةً أثناء مرحلة تصميم عُدّة التسخير وجديدة تمامًا في وقت الاختبار، مما لا يترك أي مدققات حقيقة أرضية لتوجيه تعديلات عُدّة التسخير عبر الإنترنت بشكل موثوق. ثانيًا: تظل عملية RSI شديدة التخصيص للمهمة وتعجز عن التعميم على سيناريوهات جديدة. نقدّم Harness^2، وهو إطار عمل جاهز للاستخدام وتسخير تكراري للوكلاء يعالج هذين التحديين عبر مستويين مترابطين من التكرارية. تعمل التكرارية على مستوى المهمة على تحسين عُدّة تسخير المهمة الحالية باستخدام خطوة Propose-Probe-Compose التباينية التي توجّه التعديلات بموثوقية دون مدققات الحقيقة الأرضية، ويمكن توسيع نطاقها أكثر عبر التكرارية المتوازية أو المتسلسلة. ثم تستخلص التكرارية على مستوى التسخير الخبرة من هذه التعديلات لتحديث عُدّة تسخير التحسين المستمر، مما يمكّن الوكيل من التكيف بشكل أفضل مع المهام المستقبلية. عبر ثلاثة معايير مهنية وأربعة إعدادات لنماذج وعُدد التسخير، ترفع خطوة واحدة باستمرار أداء GLM-5 وGemini 3.5 Flash مقارنةً بعُدد تسخيرهما الأساسية، محققةً مكاسب تصل إلى 11.5 نقطة على WorkBuddy-Bench، و4.5 نقطة على JobBench، و11.8 نقطة مئوية على LAB، مع تحقيق مكاسب إضافية مع زيادة ميزانية التكرارية على مستوى المهمة.

الملخص الأصلي (بالإنجليزية)

LLM agents' capabilities depend not only on their underlying models but also on their execution harnesses. Recursive self-improvement (RSI) offers a promising approach to automatically evolve these harnesses. However, deploying RSI in open-world settings still faces two critical challenges. First, open-world tasks are typically unseen during the harness design phase and novel at test time, leaving no ground-truth verifiers to reliably guide online harness edits. Second, the RSI process remains highly task-specific and fails to generalize to novel scenarios. We introduce Harness^2, a plug-and-play, recursive agent harnessing framework that addresses these challenges through two connected levels of recursion. Task-level recursion refines the current task's harness using a contrastive Propose-Probe-Compose step that reliably guides edits without ground-truth verifiers, and can be scaled further via parallel or sequential recursion. Harnessing-level recursion then extracts experience from these edits to update a continual improvement harness, enabling the agent to better adapt to future tasks. Across three professional benchmarks and four model-harness configurations, a single step consistently improves GLM-5 and Gemini 3.5 Flash over their base harnesses, yielding gains of up to 11.5 points on WorkBuddy-Bench, 4.5 points on JobBench, and 11.8 percentage points on LAB, with further gains as the task-level recursion budget increases.

دليل القراءة

المشكلة والدافع

يعتمد أداء وكيل LLM بشكل كبير على عُدّة تسخير التنفيذ الخاصة به—وهي البنية التحتية أثناء التشغيل المكوّنة من المطالبات، والأدوات، والذاكرة، والوكلاء الفرعيين، والمكونات الإضافية المحيطة بالنموذج الأساسي المجمّد. في بيئات العالم المفتوح الديناميكية، يواجه الوكلاء باستمرار تدفقات عمل معقدة وغير مرئية مسبقًا. تواجه تقنيات التحسين الذاتي التكراري (RSI) الحالية لعُدد التسخير صعوبات بسبب تحديين رئيسيين:

غياب مدققات الحقيقة الأرضية: لا توفر مهام النشر المباشر إجابات مطابقة للحقيقة الأرضية أو دوال تقييم موثوقة في وقت الاختبار لتقييم ما إذا كان تعديل عُدّة التسخير عبر الإنترنت قد ساعد في الأداء أو أضرّ به.
انعدام الانتقال عبر المهام: تكون التعديلات المباشرة على عُدد التسخير عادةً مخصصة للمهمة؛ ويؤدي نقل عُدّة تسخير التنفيذ بشكل أعمى عبر توزيعات المهام المتغيرة إلى عدم الاستقرار وتراجع الأداء.

الأفكار الرئيسية

يقرن Harness^2 بين مستويين متمايزين من التكرارية:

التكرارية على مستوى المهمة (Task-Level Recursion): تحسّن عُدّة تسخير التنفيذ للمهمة النشطة دون الحاجة لمدققات الحقيقة الأرضية عبر دورة تباينية من Propose–Probe–Compose. فهي تصوغ مقترحات ثابتة (تدفقات عمل تشغيلية للوكيل) ومقترحات خاصة بالمجال (قواعد المجال للممارسين)، وتختبر كلاهما تحت شروط متطابقة، وتركّب التحسينات السلوكية التي تم التحقق منها.
التكرارية على مستوى التسخير (Harnessing-Level Recursion): تستخرج الدروس الإجرائية والمكونات المعتمدة القابلة لإعادة الاستخدام من عملية التحسين في وقت الاختبار لتخزينها في مكتبة تحسين عُدّة التسخير الدائمة، مما يحسّن القدرة الفوقية (meta-capability) لآلية التحسين في المهام اللاحقة.
قابلية التوسع المعيارية: تدعم توسيع نطاق الاستكشاف عرضيًا عبر التكرارية المتوازية (تركيب مجمعات من $k$ مرشحًا بالتزامن) أو عمقيًا عبر التكرارية المتسلسلة ( $k$ من التكرارات المترابطة).

الطريقة

يتم تفكيك الوكيل إلى نموذج مجمّد $M$ وعُدّة تسخير قابلة للتعديل $H = (c^{1}, \dots, c^{K})$ عبر $K = 8$ مكونات على مستوى الملفات (مطالبة النظام، وسياجات الحماية، والذاكرة، والمهارات، وتوجيهات الأدوات، والبرامج النصية، والوكلاء الفرعيين، والمكوّن الإضافي للبرمجيات الوسيطة).

التكرارية على مستوى المهمة

بالنسبة للمهمة $q_{t}$ ، وسجل التنفيذ $E$ ، وعُدّة تسخير التحسين الثابتة $R_{t}$ ، تنتج خطوة تباينية $Φ$ عُدّة تسخير محدثة $H^{'}$ ، وسجل تنفيذ $e^{'}$ ، وسجل خطوة $ξ$ : $(H^{'}, e^{'}, ξ) = Φ (q_{t}, H, E; R_{t})$

الاقتراح (Propose): يتم أخذ عينة لتنفيذ مرجعي $e^{0} \sim A (q_{t}; M, H)$ . وبناءً على $e^{0}$ و $R_{t}$ ، يولد الإطار مرشحًا ثابتًا (تدفق إجرائي/أدوات) ومرشحًا خاصًا بالمجال (قيود الممارسين).
الفحص (Probe): ينفّذ المرشحين على $q_{t}$ لملاحظة الفروق السلوكية التباينية مقارنة بالتنفيذ المرجعي.
التركيب (Compose): يدمج انتقائيًا التعديلات المحققة وغير المتضاربة من مجمع المرشحين.

في التكرارية المتوازية، يتم أخذ عينات من $k$ من المرشحين الثابتين والخاصين بالمجال، وتؤدي $k$ جلسات تركيب مستقلة إلى عُدد لاحقة: $H_{j}^{'} = \textsc C o m p ose_{j} (q_{t}, H, B, P; R_{t}), j = 1, \dots, k$ وفي التكرارية المتسلسلة، يتم ربط $k$ من خطوات التحسين بالتسلسل: $(H^{(r)}, e^{(r)}, ξ^{(r)}) = Φ (q_{t}, H^{(r - 1)}, E^{(r - 1)}; R_{t}), r = 1, \dots, k$

التكرارية على مستوى التسخير

بعد إتمام المهمة واختيار الناتج، تراجع عملية التحسين سجل التحسين الكامل $D_{t}$ لتحديث مكتبة عُدّة تسخير التحسين: $R_{t + 1} = \textsc U p d a t e (R_{t}, H_{t}^{⋆}, D_{t})$ يتم ربط الدروس المستفادة صراحةً بالفروق التباينية الملموسة للمسار، مما يتجنب الإسنادات الزائفة.

النتائج

تم التقييم عبر WorkBuddy-Bench (WB)، وJobBench، وLegal Agent Benchmark (LAB) باستخدام Gemini 3.5 Flash وGLM-5 تحت OpenCode وCodex:

مكاسب الخطوة الواحدة ( $k = 1$ ): حقق تحسينات تصل إلى $+ 11.5$ نقطة في متوسط WB (GLM-5 على OpenCode: $64.2 \to 75.7$ )، و $+ 4.5$ نقطة على JobBench (Gemini على OpenCode: $31.5 \to 36.0$ )، و $+ 11.8$ نقطة مئوية في معدل النجاح الجزئي لـ LAB (GLM-5 على OpenCode: $59.6% \to 71.4%$ ).
توسيع الميزانية: يؤدي تطبيق التكرارية المتوازية عند $k = 5$ إلى مكاسب إضافية تتراوح بين $+ 2.9$ و $+ 3.9$ نقطة على WB، و $+ 3.0$ إلى $+ 4.2$ نقطة على JobBench، و $+ 2.6$ إلى $+ 6.7$ نقطة مئوية على LAB.
المُحسِّن باستخدام النموذج نفسه: أثبت أن المكاسب لا تعتمد على نموذج خارجي متفوق؛ فعندما يعمل النموذج ذاته كمنفذ ومحرر لعُدّة التسخير في الوقت نفسه (تم اختباره عبر GLM-5 حتى Claude Opus 5)، تحدث تحسينات متسقة في الأداء عبر جميع المعايير المرجعية.
دراسات الاستئصال (Ablations): أدى حذف المكتبة، وأدوار تحديد النطاق، والتركيب إلى خفض أداء WB بمقدار $3.1$ ، و $2.9$ ، و $1.6$ نقطة على التوالي.

القيود والأسئلة المفتوحة

الحمل الحسابي للاستدلال: يتطلب اقتراح وفحص وتركيب عُدد تسخير متعددة تكاليف إضافية كبيرة من الرموز (tokens) وعمليات التشغيل.
العشوائية وانحياز الإسناد: في غياب مدققات الحقيقة الأرضية، قد يؤدي الاعتماد على المقارنات السلوكية أحيانًا إلى إسناد غير دقيق أو تعديلات متحفظة/مقيدة للغاية عندما يكون تباين التنفيذ مرتفعًا.
نمو المكتبة وتشذيبها: تحتفظ المكتبة بالمكونات بالتسلسل؛ وتظل آليات تشذيب الدروس القديمة أو الدمج النشط للمهارات المتضاربة عبر آفاق مهام طويلة جدًا مجالاً مفتوحًا للبحث.

المصطلحات الرئيسية

harness: البنية التحتية أثناء التشغيل—بما في ذلك مطالبات النظام، وسياجات الحماية، والذاكرة، والمهارات، وتوجيهات الأدوات، والبرامج النصية، والوكلاء الفرعيين، والمكونات الإضافية للبرمجيات الوسيطة—التي تحيط بنموذج LLM أساسي مجمّد ليعمل كوكيل.
recursive agent harnessing: إطار عمل للتحسين الذاتي التكراري ثنائي الحلقة، حيث تعمل التكرارية على مستوى المهمة على تحسين عُدّة تسخير التنفيذ للمهمة الحالية بينما تعمل التكرارية على مستوى التسخير على تحديث آلية التحسين عبر المهام.
Propose–Probe–Compose: خطوة تحسين تباينية لعُدّة التسخير تقترح تعديلات محددة النطاق، وتفحص سلوكها التجريبي مقارنة بعمليات التشغيل المرجعية، وتركّب التعديلات المتحقق منها انتقائيًا دون الحاجة لتسميات الحقيقة الأرضية.
parallel recursion: نهج استكشافي على مستوى المهمة يولد ويفحص مرشحين متعددين ثابتين وخاصين بالمجال بالتزامن، تليها جلسات تركيب مستقلة متعددة.
sequential recursion: استراتيجية تحسين متكررة على مستوى المهمة تربط خطوات تحسين تباينية متتالية مشروطة بسجل التنفيذ المتراكم.
harness improvement library: مستودع دائم عبر المهام يحتوي على عُدد تسخير تنفيذية معتمدة ودروس تشغيلية موثقة لتوجيه تعديلات عُدد التسخير المستقبلية.
invariant candidate: نسخة مقترحة من عُدّة التسخير تستهدف أوجه القصور العامة في التنفيذ الوكيل مثل استخدام الأدوات، والتخطيط، والبرمجة النصية الحتمية، أو إدارة السياق.
domain-specific candidate: نسخة مقترحة من عُدّة التسخير تستهدف المتطلبات الإجرائية، والمعرفة بالمجال، وفحوصات الاتساق، وشروط المخرجات ذات الصلة بمجال تشغيلي معين.

أسئلة شائعة

كيف يقيّم Harness2 تعديلات عُدّة التسخير دون مدققات الحقيقة الأرضية أو تسميات المهام؟

يستخدم الفروق السلوكية التباينية التي يتم الحصول عليها أثناء فحص المرشحين المتطابقين مقارنة بعمليات التشغيل المرجعية غير المعدلة. وبدلاً من افتراض درجات الدقة، يبحث نظام التركيب عن آليات سلوكية محددة، وتخفيف الأخطاء، ومدى مطابقة المخرجات في مسارات التنفيذ.

هل يتطلب Harness2 نموذج LLM أكثر قوة ليعمل كمحرر لعُدّة التسخير؟

لا. أظهرت التجارب التي استخدمت النموذج ذاته كمنفذ ومحرر لعُدّة التسخير (تم اختبارها عبر إصدارات GLM-5 وGemini وClaude) تحسينات متسقة في جميع المعايير المقيمة، بما في ذلك تحقيق مكسب قدره 13.7 نقطة على LAB باستخدام GLM-5.

ماذا يحدث إذا تسبب تعديل مقترح لعُدّة التسخير في حدوث أخطاء أو فشل في التحقق؟

يُجري Harness2 تحققًا هيكليًا (مثل التحقق من محفزات المهارات وصيغة البرامج النصية). وإذا كان التعديل غير صالح، فإنه يعيد المحاولة مرة واحدة مع أخذ ملاحظات أداة التحقق بعين الاعتبار؛ وإذا فشل مجددًا أو تسبب في مشكلات تشغيلية كارثية مثل المخرجات الفارغة، فإنه يتراجع بأمان إلى حالة عُدّة التسخير المستقرة السابقة.

هل يمكن نقل الخبرة المتراكمة في أحد المعايير إلى معيار آخر؟

نعم. في تجارب عابرة للمعايير، أدى نقل مكتبة تحسين متراكمة على JobBench إلى WorkBuddy-Bench إلى تحسين أداء التحسين بخطوة واحدة عبر مجالات البرمجة (Code: +0.6)، والويب (Web: +0.5)، والمكتب (Office: +2.9) دون الحاجة إلى فحص إضافي.

كتب الذكاء الاصطناعي الشرح في هذه الصفحة استنادًا إلى الورقة، وقد يحتوي على أخطاء. راجع الورقة للتفاصيل.

اقرأ مع الترجمة والذكاء الاصطناعي