Harnesses
PulseAugur coverage of Harnesses — every cluster mentioning Harnesses across labs, papers, and developer communities, ranked by signal.
-
AI编码代理在“即时”与“按需”代码库上下文之间分裂
本文探讨了AI编码代理采用的两种主要策略：“即时注入”（Eager Hydration）和“按需搜索”（Just-in-Time Search）。即时注入策略，如Cline和Aider等工具所采用，涉及预先向模型提供大量的代码库信息，包括完整的文件列表或精选的目录映射，以减少延迟并改善上下文。按需搜索策略，由Claude Code、Gemini和Codex等代理使用，依赖于模型在需要时主动搜索相关文件和信息，测试表明这种方法在查找特定…
-
Hugging Face 澄清 AI 智能体术语，OpenEnv 获社区支持
Hugging Face 发布了一份术语表，以澄清围绕 AI 智能体的术语，包括 harness 和 scaffold 等概念。此外，开源社区正在支持 OpenEnv，这是一个专为智能体强化学习设计的框架。
-
新框架通过执行对齐提高 LLM 代理性能
研究人员开发了一个名为“harnesses”的新框架，以提高大型语言模型代理在推理过程中的性能。该方法通过将工具函数分解为任务分解和引导执行来专注于对齐执行轨迹。研究揭示了工作流粒度和重试预算等因素如何影响成功率，并识别了过度分解和幻觉执行等失败模式。研究结果表明，仅指定初始步骤的部分工具可能优于完全结构化的工作流。
-
AI对齐研究扩展到模型权重之外的用户领域控制
一种新的AI对齐视角提出关注“用户领域对齐”，即开发AI模型的对齐控制机制和提示策略，而不是仅仅关注模型本身。作者认为，模型的行为是整个系统（包括控制机制和环境）的涌现属性，而最终用户对此有显著影响。这种方法是对传统模型对齐工作的补充，并可能提供关键的纵深防御层，尤其是在未来先进AI模型核心对齐不完美的情况下。