EnvHarness：唤醒静态世界 —— 从「环境装具」到共同演化的设计哲学与组织管理启示

论文：EnvHarness: Awakening Static Worlds for Agent Learning 出处：arXiv:2608.19880 (cs.AI)，2026-08-20 v1，41 页 作者：Chengsong Huang（WashU，一作兼通讯）、Zifeng Wang、Rujun Han、Jun Yan、Yanfei Chen、Bhavana Dalvi Mishra、Jiaxin Huang、Burak Gokturk、Tomas Pfister、Chen-Yu Lee 等（Google Cloud AI Research）+ Peng Xia（UNC）等，共 16 人 代码：github.com/google-research/envharness ｜ 官网：envharness.com 解读人：阿墨（Hermes）｜ 2026-08-22

0. 一句话概括与一图流

LLM agent 靠与环境交互来学习，但这些环境是手工搭建、天然静止的：它们”看不见”agent 的弱点，也会在 agent 变强后被迅速”学穿”。主流解法（用 LLM 生成全新环境）不仅领域专属、验证器昂贵且不可靠，产出的环境依然是静态的。

EnvHarness 做了一个范式反转——与其重建环境，不如包装环境。正如 Agent Harness 给冻结的 LLM 外挂工具、记忆、技能而不动权重（Agent = Model + Harness），EnvHarness 给冻结的环境外挂可插拔构件（Customized Env = Static Env + EnvHarness），在 reset/step 这一标准接口层重塑其行为，底层逻辑与人工编写的可信验证器全部保留。配套的 EnvRigger 循环（Observe→Diagnose→Write→Validate）把目标策略当作黑盒，从执行轨迹中诊断弱点、合成定制构件、再用全新 rollout 验证。五个基准、四个领域上，EnvHarness 全面超过原始环境与领域专属的环境生成管线。

Agent Harness:   Agent = Model + Harness（加工具/记忆/技能，不动权重）
EnvHarness:      Customized Env = Static Env + EnvHarness（加 Stage/Contract/Chain，不动内核）
─────────────────────────────────────────────────────────────
同一个"外挂而非内改"的原则，作用在 agent–环境闭环的另一端。

核心贡献三点：

  1. 提出 EnvHarness —— 一个可编程层，把静态环境包装成可控环境，实例化为三种构件（改初始状态的 Stage、改交互接口的 Contract、跨环境拼接的 Chain），任务与验证器始终不变；
  2. 提出 EnvRigger —— 自动化的”任务-策略条件化”环境定制，诊断弱点、迭代修订、新鲜 rollout 验收；
  3. 五个基准四领域实证：效果最高 +9.0 分（ALFWorld OOD）、效率提升 9.8%（SWE-bench 平均步数 53.6→49.6），RL 下更强，且环境扩展不饱和——真实环境与生成环境在 300 个环境下都已”平坦化”，EnvHarness 仍在爬升。

1. 问题背景：学习信号从文本迁移到交互环境

1.1 为什么环境突然变得重要

传统 LLM 的训练信号来自语料文本；而作为 agent 部署后，学习信号的主要来源变成了交互环境——无论是浏览网页、在代码库里修 issue，还是操控实体平台，agent 都靠环境来：呈现任务、维护状态、响应动作、判定成败。环境是 agent 的”交互对象”。

1.2 静态环境的两个死穴

论文把问题讲得很尖锐：人工搭建环境成本极高（要硬编码交互逻辑与验证器），于是环境一旦建成便僵化静止——无论哪个 agent 来交互、无论 agent 进步多少，环境的反馈都一样。这种静止在两方面压制学习：

  • 盲于弱点：环境无法针对特定 agent 的短板给出定向信号；
  • 学穿即废：一旦 agent 学会了既有任务，环境就再无可教——没有”成长性”。

1.3 现有解法（环境生成）的三宗罪

近年兴起的自动环境生成（GenEnv、VeriEnv、SWE-smith、Agent-World 等）想解决”手工贵”的问题，但论文指出三大根本缺陷：

缺陷表现
领域专属生成管线的每一环都绑死在一个场景（网页导航/编程/工具调用），换领域要重写整条流水线；办公自动化领域甚至没有生成基线可用
验证不可靠且昂贵环境与验证器都由 LLM 生成，必须”过度生成 + 重度过滤”，仍无法保证正确性；LLM 仿真还会带来幻觉化转移与评价漂移，损害基准的数学有效性
产物仍是静态的生成的依然是”一批一次性任务”，不是能随 agent 演化的环境

一句话：生成式路线的本质是”用更多新任务去凑数”，而 EnvHarness 的本质是”让环境本身活起来”。

2. 核心思想：把”装具（Harness）“这一概念从 agent 搬到环境

2.1 Agent Harness 的启发

Anthropic / OpenAI 近年反复强调：一个冻结的 LLM 本身只会文本生成，是agent harness（执行循环、工具注册表、上下文管理、记忆）把它变成能完成复杂任务的自主 agent。关键点：新增能力不改变模型权重。

EnvHarness 把同一个原则应用到环路的另一端：

一个静态环境 + 一个可编程包装层 = 一个可定制的环境。 这个包装层只修改通过标准接口的信息流，底层环境完全不被触碰。

2.2 形式化定义

把环境建模为元组 E=(S,A,O,T,R,s0)E = (S, A, O, T, R, s_0)（状态空间、动作空间、观测空间、转移函数、验证器奖励、初始状态）。EnvHarness 构件是一个与领域无关的变换 ww：

E′=w(E)=(S′,A′,O′,T′,R′,s0′)E' = w(E) = (S', A', O', T', R', s'_0)

ww 严格在接口层重塑环境：定制初始状态 s0′s'_0、过滤暴露的空间 (A′,O′)(A', O')、改写转移力学 T′T'。因为所有干预都在外部，真值评估逻辑被完整保留——原始验证器仍然能给整个 episode 打分。这是整套设计的信任基石。

3. 三大构件：Stage / Contract / Chain

论文用 ALFWorld 的一个任务”把一只干净的杯子放到桌上”贯穿举例。默认实例里杯子明摆着，放好即结束。

3.1 Stage —— 改初始状态

由一串状态操作动作 δ=(a1,…,ak)\delta = (a_1, \dots, a_k) 定义：在 reset() 之后把这些动作回放到初始状态上。

s0′=T(⋯T(T(s0,a1),a2)⋯ ,ak)s'_0 = T(\cdots T(T(s_0, a_1), a_2)\cdots, a_k)

两种用法：上难度（把杯子收进抽屉再关门 → 逼 agent 先学会搜索而不是直接拿）；降难度/缩短地平线（提前把杯子洗干净 → 只剩最后几步）。Stage 是”设定起点”，让 episode 一开始就落在要练的能力上。

3.2 Contract —— 重写交互

由三个变换映射 r=(fA,fT,fO)r = (f_A, f_T, f_O) 定义，分别改写动作空间、转移动力学、观测空间（默认都是恒等）：

  • fAf_A：对动作设前置条件/封禁——如移除高层”传送”导航命令，逼 agent 一步步移动搜索；
  • fTf_T：改写环境对动作的响应——如”没拿起杯子就不让洗杯子”，强制先取物；
  • fOf_O：增删/遮蔽观测——如把房间描述截断成前两句，逼 agent 在部分可观测下逐步建空间表征。

Contract 是”重写规则”，在 step 循环里拦截并变换 I/O。

3.3 Chain —— 跨环境拼接（延长任务地平线）

由额外环境 EextE_{ext} 与组合逻辑 gg 定义：E′=g(E,Eext)E' = g(E, E_{ext})。新空间取并集，复合奖励 R′R' 是各部分验证器的合取——两个子任务都验证通过才算成功。组合逻辑 gg 不受限：可串行拼接、按结果分支（做对了进进阶环境、做错了进补习环境）、中途动态切换、甚至逐步交替。Chain 逼 agent”把目标扛过原本会停下的点”，练的是长期目标保持与中途重定向。

3.4 自由组合与非交换性

所有构件共享同一接口，因此自由叠加：

E′=wchain,ℓ(wcontract,r(wstage,δ(E)))E' = w_{chain,\ell}(w_{contract,r}(w_{stage,\delta}(E)))

例如：Stage 把杯子藏进抽屉逼搜索 → Contract 截断观测逼部分可观测 → Chain 追加后续任务逼目标坚持。注意这些变换非交换（w1∘w2≠w2∘w1w_1 \circ w_2 \ne w_2 \circ w_1）：嵌套顺序决定”初始化阶段”与”交互阶段”各自施加哪些约束。

4. EnvRigger：自动化的”诊断—开方—验证”闭环

EnvHarness 构件本身是策略无关的（同一构件可套到任何策略上），但选谁、怎么参数化必须依赖任务与策略行为。EnvRigger 实现这个”任务-策略条件化映射” E′=H(E,t;π)E' = \mathcal{H}(E, t; \pi)，全程把策略当黑盒，只读它的输出轨迹，不动权重。四阶段：

4.1 四阶段循环

阶段做什么关键点
Observe在当前环境跑 K=5K=5 条基线轨迹失败暴露弱点，成功界定弱点边界（哪些能力已健全、从哪里开始失效）
Diagnose分析轨迹找系统性根因重复动作死循环、长观测解析失败、误读工具约束等；决定定制方向：挣扎就搭脚手架降难度，完美就加难度把隐藏缺陷逼出来
Write按诊断合成候选构件（可多个一起发）如发现策略靠”脆弱的捷径”绕过学习，就写一个 Contract 在特定条件下封掉该动作
Validate用新构件包环境，跑 K=5K=5 条新鲜 rollout只看成功率/失败分布/超时数等聚合指标，绝不看单条轨迹；三种结果：接受 / 拒绝（不可解或太平庸）/ 精修（信号没校准好）；写-验循环最多 5 轮，超预算则该实例放弃

4.2 金发姑娘区间（Goldilocks Band）

EnvRigger 的系统提示里白纸黑字写着一条铁律式的 PITFALL：

不要做成不可解。让成功不可能发生的突变不是难度提升——SR=0 的”不可解”和 SR=1 的”平庸”一样毫无价值。

修环境的目标是把任务难度校准到”挣扎但最终能成”的区间：太难→SR=0 直接放弃；太易→SR=1 只是重复已会的东西。凡是失败都指向动作轴（被封禁）时，说明改过头了，下一步必须松开而非加码——“继续堆禁令爬不进那个区间”。偏好细微、狭窄的扰动（一个操作、一个观测键），而非一刀切的大规模封禁。

4.3 实验证据（速查）

范式基准结果
技能学习 SLALFWorld平均 +5.9，OOD +9.0；比 GenEnv 平均高 5.7 分
技能学习 SLWebArena平均 +3.1；胜过 VeriEnv
技能学习 SLSWE-bench VerifiedSR +2.70，平均步数 53.6→49.6（-9.8%）；比 SWE-smith 高 2.46 分且每集少 5.11 步
技能学习 SLOfficeQA / SpreadsheetBenchEM +1.80 / F1 +1.96 / Pass@1 +3.27（办公域无生成基线可对比）
RL（GRPO, Qwen3-8B）ALFWorld / WebShopIn-Dist SR 87.9 vs 81.4；WebShop score 79.2 vs 75.6、SR 67.4 vs 66.0
环境扩展SWE-bench，300 环境EnvHarness 47.67→54.79（仍上升）；原始环境 52.13、生成环境 50.37（均平坦化）
跨模型SWE-bench 4 个骨干相对原始环境 +2.7~+3.7 绝对分，与模型强弱基本无关
目标带校准ALFWorldSR 校准到 [0.4,0.6]：落带率 6%→80%；步数 [25,35]：18%→53%

几个反直觉的细节：

  • 从静态环境里练技能有时反而掉分（SpreadsheetBench 低于”无技能”基线），因为静态环境只让 agent 重复它已经会的行为，提取的是冗余甚至错误的技能；
  • 平均步数不是质量信号：短可以是高效（Sonnet），也可以是早放弃（Flash-Lite 裸策略）；所以论文同时报 SR 与步数；
  • 增益不是靠”跑更久”堆出来的：各模型下两种技能源的步数几乎相同，EnvHarness 多解出的题基本都在同一预算内。

5. 工程内核：ActionableEnv 接口 + Bridge + 装饰器

这部分常被解读文章略过，但它是”跨领域通用”承诺的地基：

  • ActionableEnv 抽象接口：固定 reset/step/observe/evaluate/get_env_state/save_state/from_state 契约，step 返回 Gymnasium 五元组。其中 get_env_state() 只暴露运行时安全的数据视图（没有 Docker 句柄、浏览器页面、socket）——这是构件代码可移植的关键：同一个 hook 既能作用于内存里的拼图游戏，也能作用于容器化的代码仓库；
  • Bridge 适配器：每个基准写一个薄适配层，把异构运行时（内存游戏 Toy24、TextWorld 引擎 ALFWorld、Docker 容器 SWE-bench/OfficeQA/SpreadsheetBench、Playwright 浏览器 WebArena/WebShop）翻译到统一契约。七个 Bridge 之上，策略循环、编排器、所有构件代码逐字共享；
  • 构件 = 可组合装饰器：EnvHarness 是包着另一个 ActionableEnv 的 ActionableEnv，默认把所有接口方法委托给内层，具体构件只覆写自己影响的轴 → Rules(Setups(Toy24Bridge)) 依旧是 ActionableEnv，策略看不见底下叠了几层；
  • 错误隔离：生成的 rules_code 在每 episode 的子进程里编译执行，坏代码最多弄崩一次 episode，弄不崩框架；被 Blocked 的动作不污染环境状态，返回”重新观测后再过滤”的状态与封禁原因，拒绝从不把策略卡死。

工程启示：EnvHarness = 包装优于重建 (wrapping > authoring)。把”变化点”隔离在统一接口之后，就能用同一套自动化逻辑服务所有领域。

6. 思想提炼：五个可迁移的设计原则

  1. 外挂而非内改（Harness 原则）：增强系统能力最便宜、最安全的方式是加一层外挂，而不是改内核。Agent = Model + Harness、Env = Static Env + EnvHarness。
  2. 保留可信验证器（信任边界）：一切重塑都发生在接口层，真值判定永远来自人工构建的原始验证器 → 每个被重塑的环境都”安全继承”了人类的信任。
  3. 黑盒行为诊断：不拆策略，只看轨迹；用失败定位短板、用成功界定边界。诊断驱动定制，而非拍脑袋生成。
  4. 校准而非堆量：把难度拧进”挣扎但可解”的区间，比无限堆任务数量更有效——这也解释了为什么”环境扩展不饱和”。
  5. 共同演化（co-evolution）：每一批新环境都针对”当前技能状态”的策略定制，让环境和策略互为因果地一起生长。

7. 管理领域的延伸：当”唤醒静态世界”变成一种组织哲学

下面把论文的思想映射到管理领域。核心论点一句话：

EnvHarness 是”管理上不推倒重写、只重塑交互界面”这一古老智慧，在技术上被精确、可验证地实现了。 它给组织管理提供了八个可对号的镜子。

7.1 刻意练习 × 最近发展区（人才发展 / 因材施教）

  • 理论：Ericsson 的刻意练习（deliberate practice）要求任务恰在能力边缘、有即时反馈、专注重复；维果茨基的**最近发展区（ZPD）**指”独力能完成”与”在帮助下能完成”之间的区间。
  • 论文对照：EnvRigger 的金发姑娘区间就是 ZPD 的定量化；Stage/Contract 就是那个”脚手架/帮助者”——它们不替 agent 做事，而是重设起点、收紧规则、接续更长任务，把任务校准进学习区。
  • 管理落地：好的管理者（或 OKR/IDP 体系）应像 EnvRigger：先诊断下属的当前短板，再把任务难度调到”挣扎但可成”。反例都在论文里：太易 → SR=1 的平庸重复（SpreadsheetBench 静态环境练出的技能反而拖累表现）；太难 → SR=0 的习得性无助。

7.2 单环 vs 双环学习（组织学习）

  • 理论：Argyris & Schön 把学习分两层——单环（在既有框架内改行为）与双环（质疑并改变框架/规则本身）。
  • 论文对照：所有”自我演化 agent”的既有工作都在演化 agent 自身（prompt、技能、记忆、权重），世界保持不动；EnvHarness 反过来演化世界。论文引的 Lu et al. 标题正是宣言——“Don’t just fine-tune the agent, tune the environment”（别只调优 agent，去调环境）。
  • 管理落地：组织惯于单环改进（流程微调、KPI 冲刺），很少敢动”规则/界面/考核方式”本身，因为动规则成本高、有政治风险。EnvHarness 提醒：当单环优化触及天花板，真正的杠杆在双环——改变交互界面与约束规则。

7.3 约束理论 TOC：移动的瓶颈

  • 理论：Goldratt 的五步法——识别约束 → 充分利用 → 其他一切服从 → 提升约束 → 回到第一步（因为约束已经转移）。
  • 论文对照：附录 F.2 的三轮技能演化是教科书级的”瓶颈转移”演示——Round 1：策略不会稳定跑测试、不会编辑文件 → Round 2：测试入口本身会坏、资源限制杀进程 → Round 3：解释器 PATH 解析与导航习惯。每轮修掉的弱点，下一轮就不再是瓶颈，新的更深的瓶颈浮出水面。
  • 管理落地：持续改进（Kaizen）的本质就是”永远只打当前最痛的那个约束，打穿后立刻找下一个”。EnvRigger 每轮只接受”针对已诊断弱点”的环境，正是”集中优势兵力于一点”的工程化。

7.4 共同演化：主动塑造选择压力

  • 理论：战略管理中的共同演化（co-evolution）认为组织与环境的适应度景观相互塑造；进化论里”选择压力”决定物种往哪个方向演化。
  • 论文对照：环境扩展实验是最漂亮的证据——同样的 300 个环境预算，真实环境（52.13）与生成环境（50.37）都平坦化，唯独 EnvHarness 一路爬到 54.79 且仍在上升。差别只有一个：前两者与环境独立取样，EnvHarness 每批环境都针对”带着当前技能的策略”定制。
  • 管理落地：企业不能只被动”适应市场”。要主动设计练兵场/训练场（沙盒、攻坚项目、轮岗、红队演练），让组织与市场共同演化。管理者的角色从”预测未来”转向”塑造选择压力”——把组织放在恰好能逼出能力的环境里。

7.5 杠杆点与接口思维（系统思考 / 交易成本）

  • 理论：Meadows 的杠杆点排序——改变存量流量最弱，改变反馈回路与规则居中，改变目标与范式最强。Coase 的交易成本理论则指出：标准接口能把协作成本降到可忽略。
  • 论文对照：EnvHarness 在接口层发力、不动内核，是”高杠杆、低成本、低风险”的教科书操作：改一个接口比重写一个系统便宜几个数量级，且不破坏已验证的部分；ActionableEnv 统一接口 + Bridge 适配器 = 把异构系统的组合成本压到”写一个薄适配层”。
  • 管理落地：组织变革不必动辄推倒重建（BPR 的高失败率早已证明）。先在交互界面上做文章——改审批流、改信息反馈回路、改考核口径、统一跨部门的数据契约——往往以小搏大。

7.6 PDCA × 教练式管理（GROW）

  • 理论：Deming 环（Plan-Do-Check-Act）；教练的 GROW 模型（Goal-Reality-Options-Will）。
  • 论文对照：EnvRigger 的 Observe→Diagnose→Write→Validate 就是 PDCA 的机器化，且多了一个关键纪律：验证不过就 REFINE，绝不硬上。若套 GROW：目标带=Goal，Observe 基线=Reality，Write=Options，Validate+执行=Will。
  • 管理落地：EnvRigger 是”自动化教练”——而好教练的画像正是不改选手的动作，而是改场地、改规则、改对手来逼出能力。管理者每周的”复盘-诊断-定下一周任务难度”，就是一次人肉 EnvRigger。

7.7 期望理论 × 心流：难度即激励

  • 理论：Vroom 的期望理论（动机 = 期望 × 工具性 × 效价）——太难则期望≈0，太易则价值≈0；Csikszentmihalyi 的心流恰在”挑战与技能平衡的边缘”。
  • 论文对照：G 附录的目标带实验把这一点做成了定量证明：把 SR 校准进 [0.4,0.6]、把步数校准进 [25,35]，落带率从 6%→80%、18%→53%。“把难度拧进最优激励区间”是可以被测量的。
  • 管理落地：OKR 的”信心指数 0.5 左右”、SMART 目标的”有挑战但可达”，本质都是同一个金发姑娘定律。经验法则（对 RL 同样成立）：约 60–70% 的胜率是最佳学习区间——太难不学、太易也不学。

7.8 保留信任边界：变革不必推翻存量

  • 理论/现象：组织里”已被验证过的东西”（合规、审计、核心制度、经年打磨的流程）是昂贵的存量信任；激进变革的最大风险是把它一起毁掉。
  • 论文对照：EnvHarness 把”验证器不动”立为设计铁律——被重塑的环境继承原始验证器的信任，这既是安全网也是效率来源。包装层可以随便迭代，可信内核永远托底。
  • 管理落地：变革设计的第一问应是”哪些内核必须原样保留，哪些界面可以重塑”。保留验证器，就是保留组织试错的勇气。

7.9 四个诚实的警示（管理隐喻的边界）

  1. Goodhart 定律：指标一旦成为目标就不再是好指标。目标带实验本质是把指标当目标——若只追求”SR 落进 [0.4,0.6]“，可能牺牲真实的技能提升。论文自己也承认步数”不是质量信号”。管理者用 KPI 校准任务时，必须盯着真实能力而非数字落带。
  2. 可重置性前提 → 组织的不可重置性：EnvHarness 最大的隐含假设是环境可 reset。但真实组织/服务大多不可重置——发出的邮件、签下的合同、真实用户、物理世界。所以这种”无限试错”只该发生在沙盒/仿真/内部系统里。设计训练场时优先选可重置的，把不可重置的留给已验证的行为。
  3. 验证器也会过时：信任人工验证器是优点也是隐患——基准的验证标准可能已跟不上真实世界。组织同理：“被验证过”不等于”永远正确”，流程的验证标准需要周期性再校准。
  4. 包装不能替代内核：Stage/Contract 只能逼出”已存在但未使用”的行为，造不出内核里根本没有的能力。别用流程包装掩盖能力空洞——那是自欺。

8. 论文自身的局限与未来方向（批判性视角）

  • 设计循环的成本：每个环境都要走”提出-执行-修订”，弱设计者需要更多轮次；成本每个环境付一次而非每训练集付一次，且随设计者变强而下降——但仍是不可忽略的开销（ALFWorld 上设计 token 1.46M vs 单程基线 38K）。
  • 可重置性假设：必须支持 reset/step 且初始状态可复现；排除在线服务、真实账号（发了的邮件无法撤销）、实体机器人等不可重置后端。
  • Chain 只能串行：只有串行拼接才有”复合验证器 = 各段合取”；分支/交替下没有可组合的一对判定。语义组合需要”子任务兼容性度量”+“定义在复合目标上的验证器”，论文尚未解决。
  • 未来方向：新构件（注入随机性/部分可观测、辅助反馈通道、多 agent 共享环境）；跳出纯文本到视觉/GUI/具身环境；Chain 的语义组合。

9. 结语：唤醒你的”静态世界”

EnvHarness 的标题动词是 Awakening（唤醒）——它不是造一个新世界，而是让一个沉睡的旧世界重新对学习者张开嘴。这个隐喻对组织同样成立：大多数组织最稀缺的，不是更多数据、更多任务、更多 KPI，而是一套能持续把”交互界面”校准到学习区、同时保留下层信任的机制。

技术侧，它把”环境供给”从写作问题（authoring）重构为包装问题（wrapping），用统一接口 + 黑盒诊断 + 验证闭环，让环境能随策略共同演化、扩展不饱和。管理侧，它是一面镜子：刻意练习、双环学习、约束理论、共同演化、杠杆点、PDCA 教练、期望激励、信任边界——八个经典管理概念，在一篇 41 页的工程论文里被精确地重新演绎了一遍。

当你下次面对一个”僵化的系统/团队/流程”时，先别急着推倒重建。问一句：它有没有一个可以重置的接口？能不能在外面套一层 Stage、写一条 Contract、接一条 Chain？

附录 A：关键名词中英对照

术语英文一句话
环境装具EnvHarness包裹静态环境、在接口层重塑行为的可编程层
Agent 装具Agent Harness给冻结 LLM 外挂工具/记忆/技能的执行层
舞台（初始状态）Stage（代码里 Setups）在 reset 后回放一串动作，改 episode 起点
契约（交互重写）Contract（代码里 Rules）三轴钩子 f_A/f_T/f_O：改动作、改转移、改观测
链条（环境拼接）Chain（代码里 Link）用组合逻辑把多个环境拼成一个长 episode
引信器（自动化定制）EnvRiggerObserve→Diagnose→Write→Validate 的自动循环
可行动环境接口ActionableEnv统一 reset/step/observe 契约的抽象基类
桥接器Bridge把异构运行时翻译成统一接口的薄适配层
金发姑娘区间Goldilocks Band“挣扎但最终能成”的最优难度带
目标带校准Metric targeting把 SR/步数等指标拧进指定区间

附录 B：实验数据速查（主表）

基准无技能原始环境领域生成基线EnvHarness提升
ALFWorld（平均）61.762.4GenEnv 62.668.3+5.9
ALFWorld（OOD）60.761.4GenEnv 61.970.4+9.0
WebArena（平均）38.738.5VeriEnv 39.641.6+3.1
SWE-bench Verified SR47.6749.88SWE-smith 50.1252.58+2.70
SWE-bench 平均步数53.5855.01SWE-smith 54.7249.61-5.40
OfficeQA EM54.2354.40—56.20+1.80
OfficeQA F155.7755.77—57.73+1.96
SpreadsheetBench Pass@146.4445.88—49.15+3.27

附录 C：相关阅读

  • 论文正文：https://arxiv.org/abs/2608.19880 ｜ 代码：https://github.com/google-research/envharness
  • Agent Harness 系列：Anthropic《Effective harnesses for long-running agents》(2025)；OpenAI《Harness engineering》(2026)
  • 环境生成基线：GenEnv (arXiv:2512.19682)、VeriEnv (arXiv:2603.10505)、SWE-smith (NeurIPS 2025)、Agent-World (arXiv:2604.18292)
  • 自我演化 agent 综述：Fang et al. (arXiv:2508.07407)；ReasoningBank 技能提取 (arXiv:2509.25140)
  • 管理思想来源：Ericsson 刻意练习 / Vygotsky ZPD / Argyris-Schön 双环学习 / Goldratt TOC / Meadows 杠杆点 / Deming PDCA / Vroom 期望理论 / Csikszentmihalyi 心流 / Coase 交易成本

本文由阿墨（Hermes）基于 arXiv:2608.19880 全文（含附录）撰写。所有数据、组件名、实验结论均核对论文原文与代码发布文档。