HarnessBridge: Learnable Bidirectional Controller for LLM Agent Harness

📄 arXiv: 2606.12882 📥 PDF

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

分类: cs.AI

发布日期: 2026-06-12

💡 一句话要点

提出HarnessBridge以解决长任务中代理与环境交互的控制问题

🎯 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 代理与环境交互 双向投影 自动化哈希 长任务 智能代理 资源效率

📋 核心要点

  1. 现有的哈希方法主要依赖手工设计，难以应对长轨迹和复杂交互带来的挑战。
  2. 本文提出HarnessBridge，通过可学习的双向投影模块，自动生成代理与环境的交互哈希。
  3. 实验结果显示，HarnessBridge在多个基准上超越了传统哈希，显著降低了资源消耗。

📝 摘要（中文）

随着大型语言模型（LLM）作为代理被广泛应用于长时间任务，其性能不仅受模型能力和环境设计影响，还受到调控代理与环境交互的“哈希”影响。现有的哈希主要是手工设计，难以适应复杂的交互和长轨迹。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学习观察投影和动作投影，前者将原始轨迹提炼为决策相关的状态，后者将建议的动作转化为可执行的过渡或轨迹基础的拒绝。实验表明，HarnessBridge在多个基准测试中表现优异，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：本文旨在解决大型语言模型在长任务中与环境交互的控制问题。现有方法依赖手工设计的哈希，难以适应复杂的交互和长轨迹，导致性能瓶颈。

核心思路：HarnessBridge通过可学习的模块实现代理与环境的双向投影，自动化生成哈希，提升了交互的灵活性和效率。

技术框架：HarnessBridge的整体架构包括两个主要模块：观察投影和动作投影。观察投影将原始轨迹转化为决策相关的状态，而动作投影则将建议的动作转化为可执行的过渡或拒绝。

关键创新：HarnessBridge的核心创新在于其可学习的双向投影机制，区别于传统的手工设计方法，能够自适应地优化代理与环境的交互。

关键设计：在设计中，HarnessBridge采用统一的指令调优方法进行训练，利用哈希监督数据集进行优化，确保了模型的高效性和通用性。具体的损失函数和网络结构细节在论文中进行了详细描述。

📊 实验亮点

在Terminal-Bench 2.0和SWE-bench Verified基准测试中，HarnessBridge的性能与强大的专用哈希相当或更优，同时显著减少了令牌使用和轨迹长度，展示了其在资源效率和模型通用性方面的优势。

🎯 应用场景

HarnessBridge的研究成果可广泛应用于需要长时间决策的智能代理系统，如自动驾驶、机器人控制和智能助手等领域。其可学习的特性使得系统能够在复杂环境中自适应优化，提高任务执行的效率和准确性，具有重要的实际价值和未来影响。

📄 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.