从模型扩展到系统扩展：代理人AI中的Harness扩展

本文研究代理人AI中的下一个主要瓶颈，即系统扩展，而不仅仅是模型扩展：围绕基础模型设计可审计、持久、模块化且可验证的架构。我们将这一转变称为扩展Harness：将围绕基础模型的结构化执行层作为设计、评估和优化的一级对象来对待。虽然最近的大型语言模型使代理能够使用工具、检索信息、保持记忆并执行长期工作流程，但评估仍主要是以模型为中心，往往将代理简化为最终任务成功，而将记忆、检索、工具使用、编排、验证和治理视为次要的实现细节。这种框架日益不足，因为代理性能源于基础模型、记忆基座、上下文构造器、技能路由层、编排循环和验证与治理层之间的相互作用。这些组件共同构成了代理Harness，将模型能力转化为长期代理行为。我们通过三大核心瓶颈来研究扩展Harness：上下文治理、可信记忆和动态技能路由，以及协调和约束这些组件的编排与治理机制。我们进一步概述了一项研究议程，旨在开发Harness级别的基准测试，超越一次性任务成功，衡量轨迹质量、记忆卫生、上下文效率、通信忠诚度、验证成本以及随时间安全演化。为使讨论具体化，我们开发了CheetahClaws: https://github.com/SafeRL-Lab/cheetahclaws，一个基于Python的参考Harness，并与Claude Code和OpenClaw进行比较。我们的主要论点是，代理人AI的未来进展将在系统设计方面发挥重要作用，同样依赖于更强大的基础模型。