Agent 越跑越偏？阿里这个开源 Harness 登顶了 HF 周榜
Agent 能连续工作越来越久，但「能跑很久」和「能把事情做完」从来不是一回事。
任务一拉长到几十、几百个操作，前面留下的一次错误判断、一次没验证的修改，都会滚雪球一样进入后面的上下文。历史越来越长，Agent 还得同时记住「做了什么」「哪些真的完成了」「下一步该做什么」——任务很容易越跑越偏。论文把这归纳为三个词：错误累积、上下文退化（Context Rot）、任务状态丢失。
8月3日，阿里巴巴 DreamX Team 开源了 LongHorizon-Harness，把长程任务里的执行、状态管理和结果验证彻底拆开。8月6日，项目登上 Hugging Face Daily Papers 周榜第 1 名；一周之内 GitHub 收获 600+ star，MIT 协议，完全免费。
它解决的不是「模型不够聪明」，而是「没人验收」
现在的 Agent Harness 大多已经能规划、拆解、调工具、派子智能体。真正麻烦的是：执行、状态维护和「我是不是做完了」全部挤在同一个不断膨胀的上下文里。Agent 做完一步，自己判断成功，判断错了，错误状态就被当成事实带进下一步——等于让 Agent 给自己判作业。
LongHorizon-Harness 的做法很直接：把任务状态（Task State）从执行过程里拿出来单独维护。核心是管理—执行—审计（MEA）循环：
- Manager 管状态：读取目标与已验证的状态，选出下一项待解决问题，生成带验收条件和约束的子任务契约
- Executor 只负责干活：每一轮都在全新上下文里执行，此前的点击、命令、推理过程不会一直塞进后续窗口
- Auditor 只读验收：重新检查真实环境——文件、界面、日志、进程、测试结果——只有它确认的事实才能写回状态
最关键的一条：Executor 说「完成了」并不能修改状态，只有经过独立检查的结果才算数。
这套机制最直观的变化，就是把「我觉得做好了」变成「环境证明真的做好了」。论文里有个典型例子：Claude Code 基线直接改文档 XML，标题看着对了，却没按 LibreOffice 工作流应用样式，得分 0.00；套上 LongHorizon-Harness 后，Auditor 解析文档 XML 确认 15 个标题的底层样式，得分 0.89。
不换模型，WeaveBench 从 51.8% 干到 80.7%
最醒目的结果是：模型和执行后端都不变，外面套一层 Harness：
| 基准 | 基线 | + LongHorizon-Harness |
|---|---|---|
| WeaveBench PassRate | 51.8% | **80.7%**（+28.9pp） |
| OSWorld 2.0 完整完成率 | 2.8% | 8.3%（3倍） |
| Terminal-Bench 2.1 | 69.7% | **77.2%**（还少用 24% token） |
拆开看更有意思：WeaveBench 里设计类任务 PassRate 提高 60 个百分点，空间/3D 类提高 50 个百分点——都是「需要持续保存、检查、修改多个相互依赖状态」的任务。Claude Opus 4.7 套上后同样受益（OSWorld 2.0 子集 20.0% → 34.3%）。论文里还有个金句级结论：模型决定单轮能做到什么，Harness 决定这些结果能不能被验证、留下来——Qwen 3.7-Plus 套 Harness 后的平均分 0.733，反超了裸跑的 Claude Opus 4.7（0.680）。
成本上也不是固定加税：WeaveBench 总 token 约 2.3 倍、OSWorld 输出 token 约 3.6 倍，但 Terminal-Bench 2.1 反而少用 24% token 且成功率更高——多花的推理开销，取决于模型需要多少轮执行与恢复。
一条命令，给自己的 Agent 套上「验收官」
官方把它定义为长程任务的执行、状态管理与结果验证系统——不训练新模型，也不替换 Claude Code / Codex，而是运行在这些 Agent 外层。安装已经压缩到一条命令：
uv tool install lh-harness
# 或 pip install lh-harness
用法三步走：
cd /path/to/your/project
lh-harness init # 生成 .lh-harness/config.toml
lh-harness run --task "你的目标" --agent codex # 开跑
- Manager / Executor / Auditor 可以分别配置不同的模型或后端，Claude、GPT、Qwen 都行
- 支持 Claude Code、Codex CLI，也能写自定义 AgentAdapter 保留原 Agent 的执行循环
- Python 3.10+；官方实测 macOS 已完整测试，Windows 支持已包含但尚未充分测试，
lh-harness doctor随时体检
官方的口号是：**Give Claude Code or Codex a goal once. Keep it working for dozens of hours.**（给一次目标，让它在桌面应用和终端里连续工作几十个小时。）
当任务越来越长，「跑得久」和「跑得准」缺一不可。模型负责每一轮能做到什么，Harness 负责这些结果能不能被验证、留下来，成为下一步可信的起点。趁项目还新，去 GitHub 搜 AMAP-ML/LongHorizon-Harness，给自家 Agent 配个验收官。
暂无评论。