[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"aihot-art-91655":3},{"itemId":4,"vertical":5,"category":6,"source":7,"score":8,"title":9,"summary":10,"analysis":11,"url":12,"coverUrl":13,"direction":13,"marketSignal":13,"publishedAt":14},"91655","ai","论文研究","Elvis Saravia",60,"MemoHarness：智能体控制层自动优化新方法","MemoHarness把智能体控制层拆成上下文\u002F工具\u002F记忆等六面自动优化,shell-agent基准得0.806分超最强固定harness基线0.722","一篇关于「如何自动优化智能体外壳（harness）」的研究提出 MemoHarness，把决定智能体表现的控制层拆成六个可编辑模块，用结构化编辑的方式自动改进，而不依赖人工调参或额外训练。\n\n· 将 harness 沿「推理时间流」切成上下文、工具、生成、编排、记忆、输出六个控制面，每个面都可以独立结构化编辑，便于定位问题出在哪一层。\n\n· 方法不需要测试时标签、人工反馈、梯度更新，也不依赖额外的搜索过程，理论上部署门槛更低。\n\n· 在 shell-agent 基准上跑出 0.806 分，明显超过此前最强「固定 harness」基线的 0.722 分。\n\n· 单任务运行成本还低于对比的最强商业基线，说明效果提升不是靠堆算力换来的。\n\n· 作者（AI 领域知名研究者 omarsar0）将其称为值得收藏的研究，认为在打磨 harness 这件事上还有很大的 alpha 空间。\n\n相比一味卷模型本身，这类研究提醒团队：同一个底座模型，换一套更聪明的控制层就能带来显著增量，是低成本提升智能体产品表现的新方向。","https:\u002F\u002Fx.com\u002Fomarsar0\u002Fstatus\u002F2078122558059327745",null,"2026-07-17 22:20:02"]