HarnessBridge: Learnable Bidirectional Controller for LLM Agent Harness

📄 arXiv: 2606.12882v1 📥 PDF

作者: Xiaoxuan Wang, Haixin Wang, Alexander Taylor, Jason Cong, Yizhou Sun, Wei Wang

分类: cs.AI

发布日期: 2026-06-11

💡 一句话要点

提出HarnessBridge以解决长任务中代理与环境交互的效率问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 可学习控制器 双向投影 代理与环境交互 长时间任务 自动化哈希 资源优化

📋 核心要点

  1. 现有的哈希方法主要依赖手动设计，难以扩展到更复杂的长时间任务中，导致效率低下。
  2. 本文提出HarnessBridge，通过可学习的双向投影模块，自动生成适应性强的哈希控制器，提升代理与环境的交互效率。
  3. 在Terminal-Bench 2.0和SWE-bench Verified上，HarnessBridge的性能与现有专用哈希相当或更优，同时显著降低了资源消耗。

📝 摘要（中文）

大型语言模型（LLM）越来越多地被用作长时间任务的代理，其性能不仅受模型能力和环境设计的影响，还受到调节代理与环境交互的“哈希”的影响。现有的哈希大多是手动设计的，难以适应更长的轨迹和更复杂的交互。本文提出HarnessBridge，一个轻量级的可学习哈希控制器，通过双向投影参数化代理与环境的接口。HarnessBridge学习两个双向投影：观察投影将原始轨迹提炼为紧凑的决策相关状态，行动投影则将建议的行动转换为可执行的过渡或基于轨迹的拒绝。实验表明，HarnessBridge在多个基准上与强大的专用哈希相匹配或超越，同时显著减少了令牌使用和轨迹长度，并能从小型生成器推广到大型商业模型。

🔬 方法详解

问题定义：本文旨在解决现有哈希方法在长时间任务中手动设计的局限性，导致的效率低下和扩展性不足的问题。

核心思路：HarnessBridge通过可学习的模块，利用双向投影来自动化代理与环境的交互，提升了系统的适应性和效率。

技术框架：HarnessBridge的整体架构包括观察投影和行动投影两个主要模块，前者将原始轨迹转化为决策相关状态，后者将建议的行动转化为可执行的操作。

关键创新：HarnessBridge的核心创新在于其可学习的双向投影机制，区别于传统的手动设计哈希，能够在复杂交互中实现更高的灵活性和效率。

关键设计：在设计中，HarnessBridge采用统一指令调优的训练方式，结合特定的损失函数和网络结构，以优化投影的效果和性能。具体参数设置和网络结构细节在实验部分进行了详细描述。

📊 实验亮点

在实验中，HarnessBridge在Terminal-Bench 2.0和SWE-bench Verified基准上表现出色，能够与强大的专用哈希相媲美或超越，同时在令牌使用和轨迹长度上显著降低，展示了其在效率和性能上的优势。

🎯 应用场景

HarnessBridge的研究成果具有广泛的应用潜力，尤其是在需要长时间决策和复杂交互的领域，如机器人控制、自动驾驶、智能助手等。通过提升代理与环境的交互效率，该方法能够显著改善任务执行的效果和资源利用率，推动智能系统的进一步发展。

📄 摘要（原文）

Large language models are increasingly deployed as agents for long-horizon tasks, yet their performance is shaped not only by model capability and environment design, but also by the harness that mediates agent--environment interaction. Existing harnesses are largely manually engineered, making them difficult to scale as trajectories grow longer and interactions become more complex. In this work, we ask whether harness can be generated by a learnable plug-in module that can be trained in an end-to-end fashion. We introduce HarnessBridge, a lightweight learnable harness controller that parameterizes the agent--environment interface as a bidirectional projection. HarnessBridge learns two bidirectional projections: observation projection, which distills raw trajectories into compact, decision-relevant states, and action projection, which converts proposed actions into executable transitions or trajectory-grounded rejections. We train HarnessBridge on a harness supervision dataset via unified instruction tuning. On Terminal-Bench~2.0 and SWE-bench Verified, HarnessBridge matches or surpasses strong specialized harnesses while substantially reducing token usage and trajectory length, and generalizes from smaller generators to larger commercial models.