北大 + 谷歌 + 港科大提出 Harness-Zero，把 Agent 外部流程能力 “内化” 进大模型

北京大学、谷歌与香港科技大学联合提出 Harness-Zero，一种将专用工具框架的有效行为“教给”大语言模型本身的训练方法。

• GitHub：https://github.com/metaevo-ai/harness-zero
• 模型：https://huggingface.co/metaevo-ai

传统AI智能体的可靠执行高度依赖外部工具框架（脚手架），负责规划、保存状态、校验结果、错误处理。一旦移除这套框架，模型很容易遗漏步骤、出错。Harness-Zero的目标，就是把外部框架的流程约束、校验习惯蒸馏进模型参数；部署时不再需要复杂专用框架，仅保留极简基础环境，模型依然能够稳定完成任务。

核心机制：边做边教的蒸馏范式

💡 关键创新：

• 不直接模仿复杂框架：避免学会调用不存在工具
• 聚焦过程性行为：学“先检查再修改”而非仅记答案
• 监督智能体灵活解释：优于机械套用代码框架（81.1% vs 78.1%）

核心能力

1. 将外部工具框架的经验内化到模型：借助优化后的专用框架识别模型错误，对执行动作进行校正，把校正后的任务过程作为训练数据。模型学到的不是固定答案，而是一套执行范式：修改文件前读取原文、防止覆盖数据、调用接口完整读取信息、提交前独立校验等。
2. 训练与部署环境解耦：训练阶段可使用功能完备的复杂工具框架；上线仅保留轻量化基础环境，把外部框架能力转为模型自身行为。
3. 多任务泛化：论文在三大任务开展实验——电子表格处理、多应用交互、有机化学逆合成推理，证明该方法不局限单一场景。

四大特点

1. 训练依赖框架，部署移除框架
   传统方案持续依靠外部框架兜底。Harness-Zero将框架的约束行为迁移进模型。类比教练在训练时持续纠错，正式执行时教练不在场，运动员依靠自身记忆完成规范动作。
2. 不会照搬复杂框架的操作指令
   复杂框架和目标环境可用工具可能不一致。直接复刻框架动作，模型会学习调用部署环境不存在的工具。

Harness-Zero引入监督智能体：观察模型行为，发现不合理操作时，改用目标简单环境能够执行的动作重写指令，训练数据从源头适配部署环境。

3. 重点学习过程行为，而非只学习最终答案
   单纯用正确答案做微调很难学到可靠工作流程。Harness-Zero聚焦执行步骤：前置检查、修改、保存、结果核验这类过程性习惯，更容易迁移到新任务。
4. 迁移多种框架能力
   可蒸馏工具调用逻辑、任务规划、记忆管理、中间校验、异常处理等一整套执行习惯，不止是单个工具调用方法。

工作原理（五步流程）

1. 搭建专用工具框架：针对目标任务设计强约束框架，补齐模型薄弱环节。表格任务强制先读取文件、限制修改范围；化学任务强制校验分子结构、核验反应物完整性。
2. 监督智能体观测模型动作：模型在简易基础环境运行，监督智能体观察执行进展，识别遗漏校验、重复错误、提前提交等问题；监督智能体无法访问隐藏答案，仅基于模型可见信息做校正。
3. 改写模型下一步动作：动作合规则放行；存在缺陷时，将操作重写为基础环境可执行的指令，执行并返回结果，模拟模型自主完成整个流程。
4. 基于校正后的轨迹微调模型：训练素材是完整任务轨迹，学习可落地的操作行为，而非监督智能体内部推理逻辑。
5. 部署剥离专用框架：训练结束，移除监督智能体与复杂框架，模型在极简环境独立执行任务。

实验结果

实验显示，经 Harness-Zero 训练的模型在无专用框架下平均成功率从 23.3% 提升至 44.3%，甚至超过基础模型+专用框架的 41.7%；28 种框架特有行为平均恢复率达 82.3%。该方法已在电子表格处理、多应用交互、有机化学逆合成三类任务验证，尤其对流程性强的任务效果显著。但训练需强监督智能体且成本增加（化学任务耗时 ×2.4），部分深层专业知识仍难完全内化。

1. 监督智能体方案优于直接挂载外部框架：不改动模型参数的对照实验中，监督智能体引导平均任务成功率81.1%；直接加载外部框架为78.1%。
2. 模型内化能力后，不用专用框架也强于带框架的原版模型
   • 基线：基础模型+简单框架，平均成功率 23.3%
   • Harness-Zero训练后模型+简单框架：44.3%
   • 基础模型+复杂专用框架：41.7%
3. 分任务提升
   • 电子表格：31% → 44%
   • 多应用交互：26.8% → 58.9%
   • 有机化学逆合成：12% → 30%
     对强流程类任务增益更显著，专业知识密集场景提升有限。
4. 对比基线训练方式：直接使用强模型答案、直接复刻复杂框架轨迹训练效果较差，容易学习到部署环境不可用的工具调用。Harness-Zero从模型原生行为出发、仅校正关键步骤，迁移效果更好。
5. 行为恢复：28种原本只能靠外部框架触发的行为，训练后模型平均恢复82.3%，包含文件保护、结构校验、规避错误调用等。

局限

训练需要能力足够强的监督智能体；逐步骤校验会拉高训练成本，化学任务训练耗时约原来2.4倍；部分高度复杂框架逻辑难以完全内化进模型。

应用场景

• 智能办公：表格处理、文件核对，养成保护原始数据、提交前校验的习惯
• 跨软件自动化：多应用联动操作，减少漏步骤、参数错误、提前提交
• 科研专业分析：化学逆合成、生物信息等专业工具调用与结果校验
• 代码智能体：读取源码、执行命令、迭代修复代码，固化工程校验流程

研究处于早期阶段，仅证明外部框架的流程行为可以部分迁移进模型，无法完全替代专业工具、实时知识库与复杂环境能力。更可行路线：模型负责通用流程，专业工具按需辅助。