【导语智能体Agent的能力不仅取决于底层模型Agent Harness也至关重要但目前其设计依赖人工、难以扩展。新加坡国立大学颜水成教授团队提出JIT - Agent可实时合成任务自适应的Agent Harness增强底层骨干模型能力。】JIT - Agent将Harness构建变为可学习能力智能体的能力不完全由底层模型决定Agent Harness负责管理记忆、制定规划等同样关键。然而现有的Harness设计依赖人工、局限于特定任务且难以扩展。新加坡国立大学颜水成教授团队提出的JIT - Agent把Harness构建从人工工程化、提前设计转变为可学习能力能为任意现成的Agentic LLM实时合成任务自适应的Agent Harness。四模块协议与三阶段训练策略为使Harness能被模型稳定生成研究团队建立了固定的四模块协议包括Memory、Planning、Action和Capability共同构成可组合的Harness并构建了HarnessFactory。在训练JIT - Agent时采取了三阶段训练策略。第一阶段模型根据教师模型生成的示例学习根据任务结构选择不同编排方式第二阶段从失败轨迹中学习修复让Harness生成器具备处理自身输出问题的能力第三阶段通过“进化群组解耦策略优化”Evo - GDPO让模型自主生成最优Harness考虑执行效率和资源开销。最终得到JIT - Agent - 27B模型。实验结果显著提升模型性能研究团队在多个Agent基准和多个模型骨干上对JIT - Agent进行评估结果显示它能为不同模型带来显著性能提升。如DeepSeek - V4 - Flash在DeepPlanning - Shopping上分数增加24.8%超越GPT - 5.6GLM - 5.2在多个榜单上取得SOTA分数。同时JIT - Agent生成的Harness与OpenCode、Claude Code等成熟Agent运行时处于同一竞争区间。未来model–harness协同设计范式研究团队将Harness Intelligence视为与模型容量、推理算力并列的基础scaling维度JIT - Agent是重要一步。更长远的是model–harness协同设计范式未来系统或许保留稳定核心harness允许模型按需修改组件。随着范式成熟Harness合成、修复和进化能力将内化到基础模型衍生更多研究议题。编辑观点JIT - Agent的提出为智能体Harness构建带来新突破提升了模型性能其训练策略和未来范式值得关注有望推动智能体技术进一步发展。
