Le dernier harnais que vous construirez jamais.
The Last Harness You'll Ever Build
April 22, 2026
Auteurs: Haebin Seong, Li Yin, Haoran Zhang
cs.AI
Résumé
Les agents d'IA sont de plus en plus déployés sur des flux de travail complexes et spécifiques à un domaine : naviguer dans des applications web d'entreprise nécessitant des dizaines de clics et de remplissages de formulaires, orchestrer des pipelines de recherche multi-étapes couvrant la recherche, l'extraction et la synthèse, automatiser la revue de code dans des dépôts non familiers, et gérer des escalades clients exigeant une connaissance nuancée du domaine. Chaque nouveau domaine de tâche nécessite un ingénierie de harnais fastidieuse et pilotée par des experts : concevoir les prompts, les outils, la logique d'orchestration et les critères d'évaluation qui rendent un modèle fondationnel efficace. Nous présentons un cadre à deux niveaux qui automatise ce processus. Au premier niveau, la Boucle d'Évolution du Harnais optimise le harnais H d'un agent travailleur pour une tâche unique : un Agent Travailleur W_{H} exécute la tâche, un Agent Évaluateur V diagnostique de manière antagoniste les échecs et évalue la performance, et un Agent d'Évolution E modifie le harnais en se basant sur l'historique complet des tentatives précédentes. Au second niveau, la Méta-Boucle d'Évolution optimise le protocole d'évolution Λ = (W_{H}, H^{(0)}, V, E) lui-même sur diverses tâches, apprenant un protocole Λ^{(meilleur)} qui permet une convergence rapide du harnais sur toute nouvelle tâche – de sorte qu'adapter un agent à un nouveau domaine ne nécessite plus aucune ingénierie de harnais humaine. Nous formalisons la correspondance avec le méta-apprentissage et présentons les deux algorithmes. Le cadre transforme l'ingénierie manuelle du harnais en une ingénierie automatisée du harnais, et va même un pas plus loin – en automatisant la conception de l'automatisation elle-même.
English
AI agents are increasingly deployed on complex, domain-specific workflows -- navigating enterprise web applications that require dozens of clicks and form fills, orchestrating multi-step research pipelines that span search, extraction, and synthesis, automating code review across unfamiliar repositories, and handling customer escalations that demand nuanced domain knowledge. Each new task domain requires painstaking, expert-driven harness engineering: designing the prompts, tools, orchestration logic, and evaluation criteria that make a foundation model effective. We present a two-level framework that automates this process. At the first level, the Harness Evolution Loop optimizes a worker agent's harness H for a single task: a Worker Agent W_{H} executes the task, an Evaluator Agent V adversarially diagnoses failures and scores performance, and an Evolution Agent E modifies the harness based on the full history of prior attempts. At the second level, the Meta-Evolution Loop optimizes the evolution protocol Λ= (W_{H}, H^{(0)}, V, E) itself across diverse tasks, learning a protocol Λ^{(text{best)} that enables rapid harness convergence on any new task -- so that adapting an agent to a novel domain requires no human harness engineering at all.} We formalize the correspondence to meta-learning and present both algorithms. The framework shifts manual harness engineering into automated harness engineering, and takes one step further -- automating the design of the automation itself.