创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

Hermit v0.1.0开源可训练智能体适配器

AI 总结

Infini-AI-Lab 发布 Hermit v0.1.0,这是一个采用 Apache-2.0 协议的开源框架,可在不修改模型权重或智能体主程序的情况下训练外部 harness 适配器。团队使用 GLM 5.3 Flash 报告了 OfficeQA、CL-Bench 和 ServeLearnBench 的成绩提升,适配器可封装指令、技能、记忆、工具及多智能体协调逻辑。Hermit 以无参数的 hermit-harness 包在 PyPI 提供,并支持部署到 Codex 和 Claude Code 等目标。

深度见解

Hermit 将智能体执行外壳变成可训练、可版本化的资产,为不微调模型而改进智能体行为提供了路径;但其基准增益主要来自团队自报且多为单次测试,仍需独立验证。

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

原文约 9 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。