AI Papers Daily

#Terminal Agents

4 篇

Harness Self-Evolution for Long-Horizon Terminal Agents

长程终端智能体的 Harness 自进化框架

🧭 Agent 执行脚手架自优化

Tencent HY LLM Frontier · Indiana University · University of Maryland, College Park · University of Georgia · National University of Singapore

固定模型权重，通过成功/失败对照轨迹与运行时监控证据迭代改进 agent harness，提升任务可靠性与成功率

📌 工作参考价值（4 点）

• 建立 agent 运行时监控，不只记录模型轨迹，还记录 harness 执行事件（命令执行、反馈、上下文裁剪、完成判定），与任务成败标签关联，定位系统性问题。
• 选取“同一配置下既有成功又有失败”的任务作为诊断单元，用成功轨迹作免费参考，无需人工标注即可发现可靠性缺口。
• 维护一份 Harness Handbook，把失败证据映射到源码与行为，便于跨任务复用问题模式；优先优化共享机制而非单点 patch。
• 引入候选 harness 变更前先做行为校验和重复评测，通过后再迭代；固定模型权重、只改执行层，对生产系统风险更低。

Agent | 2026-10-19 | HF Daily | score 7/10

Agent HarnessSelf-EvolutionTerminal AgentsRuntime MonitorReliabilityLLM Agents

Mid-Harness: Scaling Actions Between Model and Harness for Terminal Agents

终端智能体动作级采样与验证方法

🧭 终端 Agent 动作级验证与测试时扩展 ★ 深度解读

NVIDIA · KAIST

在动作执行前采样并验证多个候选，以 pairwise 比较和蒸馏提升终端 Agent 轨迹成功率，成本效率优于纯轨迹扩展

📌 工作参考价值（4 点）

• 对会改变环境状态的关键动作（选品、改库存、出价、下架、发消息）在执行前采样多个候选并用 pairwise verifier 筛选；pairwise 比 listwise/pointwise 更稳定，尤其生成器与验证器同模型时。
• 有更强模型但推理成本高时，离线收集 teacher 的 pairwise 偏好，用 LoRA 蒸馏出轻量 verifier，生成器不动；决策-only 只输出 A/B，可再降 20-24% token 成本，9B 模型上 Pass@1 不降反升。
• 动作级验证可与轨迹级 Best-of-N/Sequential Refine 叠加：同等环境执行次数下 Pass@1 可显著提升；测试时算力优先加动作验证，比单纯多跑完整 trajectory 更划算。
• 离线诊断 disagreement 发现失败集中在「命令语义 / 执行可行性」，建议业务中重点标注此类样本，优化 verifier。

Agent | 2026-09-29 | HF Daily | score 8/10

Terminal AgentsTest-Time ScalingAction VerificationPairwise VerificationDistillationLLM Agents

Environment Evolution for Terminal Agents

终端 Agent 的环境进化训练方法

🧭 终端 Agent RL · 离线环境课程

Hunyuan Team, Tencent

提出离线环境进化，沿多轮目标派生的三个难度方向逐步提升终端环境难度，并通过多 Agent 回路实现，提升终端 Agent RL 效果。

📌 工作参考价值（4 点）

• 在电商/推荐 Agent 训练中，可将“用户任务/交互环境”当作可进化对象：把多轮任务目标显式展开，提取难度轴（如约束数量、工具噪声、状态分支），离线用 LLM 多 Agent 生成逐渐变难的任务集，不用每次等在线 rollout，降低数据成本。
• 用多 Agent 回路工程化合成环境：一个 Agent 负责提出 harder case，另一个验证可解性与难度，再一个做标注/清理，保证训练集中困难样本比例与模型能力匹配，可复用到导购、搜索、客服 Agent 的场景生成。
• 训练调度用“分代课程”：将进化后的环境按 generation 分块，训练时按模型 checkpoint 表现逐步解锁下一代，避免一次性给过难/过易环境；对应推荐 Agent 的 RL 训练可做 curriculum。
• 若做用户模拟器/环境生成，优先加入 off-policy 进化：不再依赖当前策略轨迹，能从历史或弱模型数据产生持续学习信号，适合业务环境噪声大、策略迭代快的场景。

Agent | 2026-09-02 | HF Daily | score 7/10

Environment EvolutionRL TrainingTerminal AgentsMulti-AgentCurriculum Learning

FACET: Preserving Source Intent and Executable State in Terminal Task Synthesis

FACET：终端任务合成中保留源意图与可执行状态

🧭 终端 Agent 可执行任务合成与数据高效微调 ★ 深度解读

University of Science and Technology of China · Shanghai AI Laboratory · Fudan University

FACET 通过先构建并修复容器环境、以共享可执行状态串联指令/解法/验证器，合成高密度可验证终端任务，用 1.2K 成功轨迹显著提升多尺度模型 Terminal-Bench 表现。

📌 工作参考价值（4 点）

• 在构建 Agent 训练/评估环境时，优先先物化执行环境（文件、schema、服务、依赖），再生成指令、参考解和校验器；用真实落地状态作为共享 grounding，能显著减少 schema/path/contract mismatch。
• 顺序生成 I→S→V 且让 solution 实际执行后再生成 verifier，可以提高 solution–verifier 对齐；在业务中搭建离线模拟环境（如模拟用户、商品库、策略状态）时可直接套用该顺序。
• 验证失败时通过执行 trace 路由到具体 artifact 单独修复，而不是整包重生成，可保留已有效组件、降低合成成本；适合用于构建数据合成 pipeline 或 RL 环境。
• 用更高密度的可执行检查（多个独立断言）能暴露“只差一两个条件”的失败模式，提供更细粒度训练信号；在标注成本高时，应优先提升单条数据的 grounding 与验证密度，而不是单纯扩大数量。

Training | 2026-08-18 | HF Daily | score 8/10

Terminal AgentsTask SynthesisExecutable EnvironmentSFTVerifier GroundingAgent Training