什么值得买App下载 App ›
连续签到专享现金活动

清华团队提出「自然语言Agent Harnesses」

在当前的人工智能Agent开发领域,技术焦点正在发生转移。决定Agent性能表现的关键因素,正逐渐从底层的模型能力转向包裹在模型之外的控制系统(即“支架”)。清华大学与哈尔滨工业大学的研究团队针对这一趋势,提出了名为“自然语言Agent支架”的框架。该研究旨在探索一种新的开发范式,即将Agent的高层控制逻辑从传统的硬编码中剥离,转化为可移植且可读的自然语言制品。
01现有开发模式的痛点
目前的Agent开发在处理复杂任务(如编程)时,往往依赖开发者编写大量的Python脚本来管理控制逻辑。这些逻辑负责调度搜索时机、错误处理及状态流转等关键环节,但在实际应用中存在明显的结构性缺陷:
  • 黑盒化倾向
    核心控制逻辑分散隐藏在框架的默认参数和工具适配器中,缺乏透明度。
  • 迁移性差
    控制代码与特定运行时深度耦合,一旦更换运行环境,原有的Agent逻辑往往无法复用。
  • 难以比较
    由于控制逻辑的碎片化,很难在模型之间进行标准化的性能对比与消融实验。
02NLAH:控制逻辑的自然语言化
Natural-Language Agent Harnesses (NLAH) 框架的核心主张,是将Agent的高层控制逻辑——包括多步推理、工具调度、状态管理以及反思机制——从碎片化的Python代码中解放出来,转化为可执行的自然语言制品。配合智能支架运行时,该方法实现了以下关键转变:
  1. 逻辑显式化
    将原本隐含在代码中的“Reason-Act”循环和记忆调度机制,转化为显式的、可读的文本对象。
  2. 模块化消融
    在SWE-bench Verified等任务中,支持对控制模块进行标准化的拆解与测试,便于分析不同逻辑单元的作用。
  3. 代码到文本的迁移
    实现了控制逻辑从代码形式向文本形式的平滑迁移,提升了Agent的可移植性。
03技术局限与未来展望

NLAH框架综合分析

具备自我定制潜力
  • 一旦支架变成显式的文本对象,开发者可以像优化模型权重一样优化支架。

  • 通过自动搜索、检索和重组NLAH模块,Agent有望具备自我定制控制逻辑的能力。

  • 显著提升Agent逻辑的可读性与跨平台移植能力。

确定性不足
  • 自然语言在语义表达上不如代码精确,可能存在歧义。

  • 在需要高度确定性的沙箱操作中,依然依赖底层代码脚本作为支架的“肌肉”支撑。

  • 对运行时的解析能力提出了更高要求。

评论

评论区空态插画

当前文章无评论,是时候发表评论了