支撑Anthropic市值的RSI!Agnes亮出TTT×Harness双RSI进化架构
新智元报道
新智元报道
这两天,OpenAI发了一份内部报告,名字就叫「研究加速:锯齿状前沿」。
报告里,他们找来自家101位研究人员,问了一个扎心的问题——
如果把手里最强的编程Agent收走三个月,你愿意拿什么换回来?
大家给的答案,让人脊背发凉:宁可砍掉团队30%的算力或者40%的人力,也不愿意。
好家伙,在全球最顶尖的AI实验室里,Agent的分量已经压过了一大批同事。
如今,Agent已经成了顶级实验室,甚至不少人的「命根子」。
可真要把它放进现实世界,去跑通企业流程、指挥机械臂干活,光靠一颗聪明的「大脑」,远远不够。
就在这个节骨眼上,Agnes AI把自家的智能体运行与扩展框架Agnes Harness开源了。
它最大的看点,不只是执行指令,还能够从实践中积累经验、持续改进:
模型层:TTT(测试时训练)让决策模型在每次判断前「现场学习」,当场适应眼前的任务;
系统层:RSI(递归自我改进)自动复盘失败、验证新策略,再把跑通的流程沉淀成Skills和Playbook。
一个让Agent当场学,一个让Agent长期记。
不过在聊它怎么「进化」之前,先看看它是怎么干活的。
先看一个非常简单的任务:仿真环境里,机器狗要在屋里找到一扇门,然后穿过去。
如此简单的事儿,全称交给LLM来指挥,干起来却磨磨唧唧。
每走一步,它都得调一次视觉接口,拍张照,打包发给大模型,然后原地干等。大模型琢磨半天,回一句「门在左前方,往左转15度」。
转完,再拍,再发,再等。大部分时间,都耗在了请求和等待上。
可是人走路的时候,大脑压根不会去管「左脚抬起、重心前移」这种事,全是小脑全自动搞定。
凭啥让AI最贵、最慢的那颗大脑,去包办每一步怎么迈?
换上Agnes Harness的决策模型后,机器狗自己就能秒判「门在不在眼前、距离够不够」,毫秒级连贯做完一串动作。
同样的活,耗时直接砍掉32.9%。
这背后,是Agnes Harness的第一个核心设计:双系统决策。
很多Agent的做法是,把大模型摆在C位,做啥都需要问一遍。质量是有保障,可就像每件事都要CEO亲自签字,CEO再能干,流程也快不起来。
想省钱换个轻量模型?速度是上去了,一碰到复杂情况就露馅。快和准,好像只能二选一。
Agnes Harness的设计思路,就是按任务难度去分工。
大脑(大语言模型):管深度思考,理解用户意图、拆解复杂任务、做规划、处理突发异常。 小脑(决策模型):管快速反应,任务状态已经很明确时,下一步调哪个工具、请求往哪路由、流程怎么走,它直接拍板。
这颗「小脑」,就是Agnes以插件形式接入框架的决策模型Agnes Sys1 1.0。
参数仅有9B,单机就能部署,专攻工具选择、流程判断、请求路由和有序评分,常规任务里能做到亚秒级决策。
不难看出,这套分工跟心理学家卡尼曼提出的「系统1、系统2」如出一辙。一个靠直觉秒反应,一个靠理性慢推演。
常规判断交给Sys1,大模型被调用的次数少了,等待少了,钱也省了。
更关键的是,这颗小脑还可以随时换。
默认配的是Sys1,但开发者也能按场景,随时能换成别的决策模型。
毕竟做客服、跑仓储、审代码,需要的「直觉」各不相同,框架直接把自定义的空间留给了你。
不过,「快」只是解决了一半的问题。
真正的智能,不应该只是执行指令。错误地指令执行得再快,还不如不执行。
它必须能在实践中摸爬滚打、积累经验,并持续改进。
为此,Agnes Harness设计了一条从「模型适应」到「系统优化」的双层自进化路径:
模型层靠TTT当场适应,系统层靠RSI长期积累。
通常情况下,训练和推理是泾渭分明的两个阶段。
但在真实业务现场,数据格式千奇百怪,小众语境层出不穷,只靠预训练学到的知识,往往会「水土不服」。
为此,负责高频快速判断的小脑Sys1搭载了TTT(Test-Time Training,测试时训练)机制。
它的工作原理极其精妙:
在Agent面对当前任务材料、准备输出判断的前一刻,Sys1会从当前的上下文中自动提取信息,构建一个轻量、可验证的「辅助任务」。
接着,模型会在单次请求内,完成少量的参数更新。为了兼顾速度与稳定性,更新被严格限制在模型末端的RMSNorm缩放参数上。
这就像一名即将上场的狙击手。他不会只凭在训练营里学的理论开枪,而是在扣动扳机前,先抓起一把土,感受一下当下的风速和湿度,迅速调整自己的瞄准镜。
通过 TTT,决策模型在毫秒级的时间内,适应了对当前特定任务格式与语境。
而且这种更新是局部、即时的,不会影响下一次请求的基线状态:这次现场适应完,下次重新出发,不会把模型「越调越歪」。
模型在任务中保持了敏锐的嗅觉,这是第一层进化。
第二层进化,Agnes Harness则将复盘能力赋予了系统层。
依托Harness的记忆机制(事件账本与状态记录),RSI在系统后台扮演着一个极其严苛的「复盘导师」角色。
RSI会时刻监控Agent的任务执行现场,敏锐地捕捉到哪里报错了、哪个环节因为反复重试导致效率低下。
而识别到问题后,系统会自动复盘,分析上下文与设备状态,推演出新的执行策略(比如调整API调用顺序、增加校验条件)。
之后,系统还会效果验证。带着新策略,Agent 会在当前会话或后续相似任务中进行实盘验证。
而最核心一步是经验沉淀。 一旦策略被验证有效,RSI 会将这一套成功的流程,直接沉淀封装为 Skills(技能) 和 版本化的 Playbook(剧本)。
这意味着,智能体将偶然的成功,固化成了必然的能力,写下了一本属于自己的「通关秘籍」。
空口说进化太抽象,直接看几个真实案例。
设备入库验收看似简单,实际上很考验细节:秤台读数什么时候算稳定,各个步骤按什么顺序执行,任何一个环节出错都可能导致失败。
首次执行时,Agent正是因为不熟悉秤台稳定判断、操作顺序出错,最终超时,耗时30分钟仍未完成。
RSI随后对这次执行进行了复盘,自动记录下秤读数的正确提取时机,并归纳出一份操作手册。
在下一次任务中,Agent按照已验证的流程执行,8分钟内顺利结案。
下面这个,是整套流程中最复杂的一个。
在行李房场景中,Agent需要扫码识别一件易碎行李的归属并完成分拣,同时对另一件行李进行实测称重,判断是否需要暂留。
首次执行时,扫码和分拣都顺利完成,但由于设备操作冲突、称重时机不当,Agent始终没能拿到有效读数。
RSI随后进行了多轮分析与优化,逐步调整设备调用顺序、称重前置条件和读数校验方式,并将跑通的流程沉淀为可复用经验。
优化后,Agent成功测得行李重量为12.60公斤,确认超过标重4.60公斤,并触发暂留条件。
最终,9项评测全部通过,后续三次独立复验也全部通过。
TTT让小脑在每一次判断中更贴合现场,RSI让系统在每一次任务后更加熟练。
两层叠加,Agent就不必每次都从零开始。
把前面这些拼在一起,Agnes Harness的整体架构就浮现出来了,它几乎就是照着人设计的。
大语言模型是大脑,负责深度思考。Sys1是小脑,负责快速反应。
Harness运行机制本身是记忆,用事件账本记住任务做到了哪一步,用Skills和Playbook记住以前是怎么做成的,长流程做到一半也不会丢三落四。
TTT和RSI则是贯穿始终的成长能力,一个在模型层面帮它当场适应,一个在系统层面帮它长期积累。
再往物理世界走,Agent还需要一副身体:MHS(Model Hardware Standard,模型硬件标准)。
在数字世界里,Agent已经很能干了。可一旦要它拧机械臂、读传感器,麻烦就接踵而来:每家设备接口不一样,得一个个适配,几台设备之间要协同就更乱。
MHS用一套统一标准,把机器人、机械臂、传感器这类可编程设备接进来。
接进来以后,大脑理解人类意图,小脑快速判断每一步,MHS把指令落到具体设备上,还能协调好几台设备一起干。
如下demo中,加上身体之后,Agent可以直接让机器狗去找「瓦力」打招呼了。
从理解一句模糊的自然语言,到读取设备状态、调用摄像头、规划动作,再到真机执行,整个过程无需人工逐步干预。
总的来看,Agnes Harness整个系统由四个部分组成,外加一套贯穿其中的自进化机制:
大脑(大语言模型):负责深度思考,完成复杂推理、任务拆解与规划;
小脑(决策模型):负责快速反应,完成高频、实时的判断与执行,也可按需替换为其他决策模型;
身体(MHS):负责连接机器人、机械臂、传感器等物理设备,让智能体能在真实世界中行动;
记忆(Harness):负责记住任务状态与执行经验,让复杂流程稳定推进、不丢三落四;
自进化机制(TTT + RSI):让整个系统在使用中持续成长,越用越好。
一个像人一样分工的智能体,在实战中,也是非常能打的。
Agnes团队就以「真实任务能不能端到端干完」为指标,做了一轮覆盖九项基准的阶段性自评。
Agnes Harness 并非纸上谈兵。
围绕真实任务的端到端完成效果, Agnes Harness团队开展了覆盖九项公开基准的严格自评,并与部分基线进行了对照。
成绩单十分硬核——
在MHS-Benchmark、WorkBuddy Code、AGH-Benchmark、BigCodeBench-Hard V1、τ-bench text-v1和DeepPlanning这六项核心评测中,Agnes Harness均斩获了对照组的最高成绩!
在考察综合能力的 AppWorld-dev 上,也与顶尖的 Codex 表现持平。
对照组中不乏 DeepSeek Harness、Codex、Claude Code 等知名 Harness 系统
其中,最能反映核心架构优势的两项数据令人瞩目:
复杂任务规划DeepPlanning,得分高达87.07。
这充分证明了大语言模型与 Harness 记忆机制的结合,在处理长程、多分支任务时拥有极强的状态连续性和推理深度。
复杂代码任务BigCodeBench-Hard V1,通过率达到40.69%。
在极其严苛的代码生成与多步工具调用环境中,双系统决策展现出了显著的稳定性和高成功率。
最值得一提的,是本次公开的MHS-BENCHMARK。
这是一个专门为检验Agent 「软硬兼施」能力而打造的标准化测试集。
它精选了100条极其刁钻的真实任务:
40条真实桌面软件任务: 覆盖三维建模、视频制作剪辑、表格计算、文档处理、网页交互、图像与音频编辑乃至游戏操作。 60条分场地物理作业任务: 覆盖真实工厂里的机床控制、精密装配、场内物流调度、自动化巡检,以及水、电、冷链等复杂的物理环境控制。
在这个软硬件跨度极大的测试中,Agnes Harness以41%的成功率位列对照组第一,高于DeepSeek harness(40%)和Codex(36%)。
模型再强、分数再高,这「最后一公里」,终究得有人去跑。
在企业AI转型中,跑这最后一公里的人,叫FDE(Forward Deployed Engineer,前线部署工程师)。
他们要深入一线,把AI真正部署进企业各不相同的业务流程里。
Agnes Harness的插件化架构,简直是为FDE量身定做:
模型适配器、工具、角色,乃至于 RSI 沉淀下来的 Skills,全都可以封装为带版本管理的插件。
通过 MCP 机制,可以无缝接入企业现有的后端 ERP 或 MES 系统。
这意味着, 每一次交付,都在为下一次交付积累底座。
不仅如此,Agnes Harness的全面开源,也回答了企业对「主权 AI」的终极拷问:智能体的能力与数据,究竟掌握在谁手里?
代码透明可审计,决策模型自由替换(避免被单一云厂商绑架),沉淀的 Playbook 资产完全归属企业自身,MHS 开放标准打破了硬件生态的封闭壁垒。
Agnes Harness 提供了一条真正自主掌控、去中心化的演进之路。
如果你也苦恼于昂贵的 Token 账单,受够了每天为 Agent 修改重复报错的提示词,不妨去 GitHub 克隆代码,亲自探索、体验与共建这种「自进化」Agent 吧。
AI 的下一步,不只是理解世界,而是去适应并改造世界。
Agnes Harness GitHub 仓库:https://github.com/AgnesAI-Labs/agnes-harness Agnes Harness RSI 技术报告:https://github.com/AgnesAI-Labs/Agnes-Harness-Technical-Report-Nov-2026 Agnes Sys1 1.0 决策模型技术报告:https://github.com/AgnesAI-Labs/Agnes-Sys1-1.0-Technical-Report
编辑:桃子 大卫
文章原文
内容来自 新智元,版权归原作者所有。
阅读原文 ↗