双系统决策+双层自进化,Agnes让Agent效率最高提速14倍,成本骤降至1/27!

双系统决策+双层自进化,Agnes让Agent效率最高提速14倍,成本骤降至1/27!

💡 原文中文,约5400字,阅读约需13分钟。
📝

内容提要

Agnes Harness 是一个采用 Apache 2.0 许可证的开源 Agent 系统,旨在降低 AI 在企业落地时的适配成本并解决经验难以沉淀的问题。它通过 Sys1 双系统决策,让 9B 小模型处理高频操作以降低调用大模型的成本;借助 TTT 测试时训练快速适应新任务,并用 RSI 递归自我改进将执行经验整理为可复用的操作手册。系统支持插件化接入业务系统,并通过 MHS 标准连接机械臂等硬件设备。官方称其在 9 项基准测试中有 6 项排名第一。

🔎

延伸解读

双系统分工:把大模型用在刀刃上

Agnes Harness 的核心思路是让 9B 的 Sys1 模型处理高频、明确的操作决策,只在需要复杂推理时才调用大语言模型。文章给出的数据是:在模拟家庭漏水任务中,Sys1 判断下一步只需 0.53 秒,而大模型平均要 7.6 秒;在行李房测试中,单次决策成本从约 0.00247 美元降到约 0.000091 美元。这意味着企业部署 Agent 时,成本大头可能不再是模型调用本身,而是如何划分哪些任务交给小模型、哪些留给大模型。

TTT 与 RSI:短期适应和长期沉淀分开处理

TTT 让 Sys1 在上岗前针对新任务做临时微调,只动末端一小部分参数,任务结束就恢复,避免不同设备或场景的经验互相干扰。RSI 则负责把执行过程复盘成版本化 Playbook,但新方法要先经过仿真验证才会写入。文章中的设备入库验收案例显示,第一次超时 30 分钟,第二次按验证过的流程不到 8 分钟完成。这种设计把“快速适应”和“经验复用”拆成两层,降低了每次换场景都重新训练的成本。

插件与 MHS:连接软件和硬件的现实路径

Agnes Harness 把业务工具、模型适配器、工作流、Skills 甚至界面都封装成插件,已有系统可通过 MCP 接入。作者实测中,审稿插件启用后能自动检查错别字、语病等问题,新会话只需说“帮我审稿”就能调用,且插件有版本管理。硬件侧则通过 MHS 标准让设备统一上报状态和可执行动作,由 Harness 安排任务顺序。文章也明确,实时控制和物理安全仍由设备控制器负责,Agent 不直接接管安全关键环节。

自评成绩与落地限制要分开看

官方自评显示,Agnes Harness 在 9 项基准中 6 项第一,另有 1 项与 Codex 并列第一,DeepPlanning 得 87.07 分,BigCodeBench-Hard V1 通过率 40.69%。这些数字说明系统在规划和复杂代码任务上有一定表现,但文章也提到目前没有现成在线网页版,需本地部署,并依赖 Node.js 24.10 以上和 pnpm 10.34.5。企业评估时应把自评成绩与自身业务流程、硬件兼容性和部署门槛结合起来看,而不是只看基准排名。

❓

Q&A

Agnes Harness 是什么?它主要解决什么问题?

Agnes Harness 是一个采用 Apache 2.0 许可证的开源 Agent 系统,旨在降低 AI 在企业落地时的适配成本,并解决经验难以沉淀的问题。它通过双系统决策、测试时训练和递归自我改进等机制,让 Agent 快速适应新任务并复用执行经验。

Agnes Harness 的 Sys1 双系统决策是如何降低成本的?

Sys1 双系统决策将高频且明确的操作交给专门训练的 9B 决策模型 System 1(Agnes Sys1.0),而复杂推理仍由大语言模型 System 2 处理。这样避免了所有操作都调用大模型,从而显著降低调用成本。例如,在行李房测试中,Agnes Sys1.0 的单次决策成本仅为在线大语言模型的约 1/27。

Agnes Harness 如何让 Agent 快速适应新任务并记住经验?

Agnes Harness 通过 TTT(测试时训练)让 Agent 在上岗前针对新任务进行临时微调,只调整末端少量参数,学完即恢复,避免干扰。同时,RSI(递归自我改进)在任务完成后复盘执行过程,将有效方法整理成版本化 Playbook(操作手册),供后续任务复用,从而沉淀经验。

Agnes Harness 如何连接业务系统和硬件设备?

Agnes Harness 通过插件化方式接入业务系统,业务工具、模型适配器、Agent 工作流等均可封装成插件,已有系统可通过 MCP 接入。对于硬件设备,它定义了 MHS(模型硬件标准),设备按统一格式报告状态和可执行动作,由 Agnes Harness 统一调度任务,实时控制和物理安全仍由设备控制器负责。

Agnes Harness 在基准测试中的表现如何?

官方阶段性自评显示,在 9 项基准测试中,Agnes Harness 在 6 项中排名第一,另有 1 项与 Codex 并列第一。例如,DeepPlanning 任务得分 87.07,BigCodeBench-Hard V1 通过率达到 40.69%。

Agnes Harness 如何解决 Agent 落地时经验难以复用的问题?

Agnes Harness 通过 RSI 递归自我改进,在每次任务后复盘执行过程,识别错误和耗时环节,调整 Prompt、Memory、Skills 等,并将验证有效的方法整理成版本化 Playbook。这样,后续任务可以直接复用这些经验,避免重复犯错,降低适配成本。

🏷️

标签

➡️

继续阅读