Hermit v0.1.0 Adds Trainable Adapters for AI Agent Harnesses
Infini-AI-Lab released Hermit v0.1.0, an Apache-2.0 open-source framework for training external harness adapters without changing model weights or the main agent program. The team reported improvements on OfficeQA, CL-Bench and ServeLearnBench using GLM 5.3 Flash, with the adapter able to package instructions, skills, memory, tools and multi-agent coordination logic. Hermit is distributed through PyPI as the parameter-free hermit-harness package and supports deployment to targets including Codex and Claude Code.
Hermit treats an agent’s execution harness as a trainable, versionable asset, offering a way to improve agent behavior without fine-tuning the model, although its reported benchmark gains are team-produced and mostly single-run results.
0.541 对 0.651,0.580 对 0.795,28.7 对 45.3。三组数字分别来自 OfficeQA、CL-Bench 和 ServeLearnBench 三个 Agent 基准,等号左边是什么都不装的裸跑 Agent,右边是加了一层外挂之后的同一个 Agent。模型没换,权重没动,连 Agent 的主程序都没改一行,分数却实打实地上去了,ServeLearnBench 那一档甚至把榜单上原有的最佳学习方法甩开将近六成。
做到这件事的东西叫 harness 适配器,把它做成完整开源框架的是 Infini-AI-Lab,一个专注于 Agent 基础设施的研究团队。2026 年 10 月 25 日,他们放出 Hermit v0.1.0,CMU 博士后郑海中两天后在 X 上正式官宣。框架走 Apache-2.0 协议,PyPI 一行命令装完,自身不带任何参数,全部工作都发生在 Agent 的外壳上。这个时间点很微妙:过去一年大家都在卷模型本身,而最近几个月,行业注意力明显开始向模型外面的东西转移,记忆、技能、上下文工程轮番成为热点,Hermit 把这条线推到了新位置——外壳本身也可以是被训练出来的。
先对齐概念:什么是 harness,什么是适配器
Agent 圈里说的 harness,指的是套在模型外面那层执行外壳:循环控制、工具调用、上下文拼装、错误恢复,全在这层。Claude Code 和 Codex 各自有一套 harness,模型的能力正是被这层外壳翻译成实际行动的。同一个模型,换一套 harness,跑出来的任务成功率可以差出一大截,这在今年的多个公开对比里已经被反复验证过。举个具体的例子:模型给出一段有语法错误的补丁,一套外壳直接报错退出,另一套外壳会把编译错误喂回去让模型再修一轮,第三套还会先跑一遍测试再决定要不要重试。三种外壳下,模型的智力没变,任务结局完全不同。外壳里沉淀的其实是工程经验,只是这些经验一直用手写的方式维护。过去想让 Agent 更擅长某类任务,主流做法只有两条路:要么微调模型,比如 LoRA 那套参数高效微调;要么改 harness 源码,往里加技能、塞提示词。前者又贵又慢,一张卡都未必够;后者有两个现实障碍——很多 harness 根本不开源,而开源的那些内部组件调得极细,动一处崩一片,升级上游版本时还要手工合并自己的改动。
#Hermit v0.1.0#Infini-AI-Lab#GLM 5.3 Flash#Codex#Claude Code#GEPA#SkillOpt#MWM#Harness²#Continual Harness#ACE#ReHarness