agentic-harness-engineering

收录理由

多数人优化编程智能体时，第一反应是重新训练模型。这个项目换了一条路：模型权重完全不动，被优化的是一整套围绕它的“护栏”，包括系统提示词、工具描述与实现、中间件、技能、子智能体，乃至长期记忆。它的核心机制是可观测性。具体做法是把整副护栏拆成一个个由 git 追踪的独立文件，每次改动都能回溯；原始执行轨迹长达千万级 token，通过调试器蒸馏成分层报告，优化器只读摘要，每一步修改都基于证据，既讲得出理由，也随时可以回滚。测试结果相当能说明问题：用 GPT-5.4 跑了十轮，pass@1 从 69.7% 拉到 77.0%；换 GPT-5.5 在 Terminal-Bench 2 上拿到 84.7%。更难得的是，这套护栏直接迁移到 SWE-bench-Verified 依然有效，说明学到的不是背题，而是可复用的工程经验。