MemoHarness：让智能体“外挂”从执行经验中自主学习

智能体外挂（Agent Harness）是大型语言模型转化为可执行智能体的关键控制层，负责上下文管理、工具调用、流程编排、记忆存储、解码及输出处理等核心功能。虽然外挂设计直接影响智能体行为表现，但现有自动优化方法多聚焦于提示词、流水线或工作流等局部环节，且部署时通常对所有场景复用同一全局外挂配置。

近日arXiv发布的研究提出MemoHarness自适应外挂优化框架，其创新在于让外挂系统从自身执行历史中持续学习。该框架将外挂分解为六个可编辑的控制维度，通过双层经验库分别存储个案诊断结果与提炼的全局模式。当处理新任务时，系统能直接调用经验库中的适配方案，无需测试阶段标注、人工反馈或额外搜索开销。

在涵盖命令行代理、代码生成与分析推理的基准测试中，MemoHarness相比固定外挂配置均表现出性能提升，并能将学习经验选择性迁移至未见过的任务集与基础模型。研究还表明，当大部分检索经验可缓存时，其增加的上下文开销仍能保持成本竞争力。这项工作为构建超越静态配置的自适应智能体外挂提供了实践路径，但关于统计鲁棒性与组件归因的更深层验证仍需后续探索。