BizBench：揭示真实业务长程智能体部署中的隐藏挑战
🧭 长程 Agent 业务执行评测 ★ 深度解读
Peking University · Ant International
构建含789文档/601工具的支付业务基准，同时评估目标达成与中间执行合规，前沿模型严格成功率仅64%
📌 工作参考价值（4 点）
- 把「目标达成」和「执行合规」拆开评估，用确定性 checks 回放 execution trace，而不是只看最终状态；能抓到 pre-approval 执行、储备金中途跌破等最终结果掩盖不了的违规。
- 业务规则要显式建模 scope/版本/生效期，让 agent 先判断适用规则再执行；单纯 RAG 召回不足，需增加规则冲突消解和时效校验。
- 用户/客户私有信息需多轮澄清，信息获取比文档检索更影响效果；全量客户披露使 strict success 从 43.3% 提升到 70.0%，建议在业务 Agent 中设计结构化信息需求列表和主动澄清机制。
- 工具调用冗余严重，如 DeepSeek-V4.1-Flash 为 Golden 的 1.71 倍，且大量重复读取；可引入检索去重、budget 感知或停止条件，降低长程执行成本。
混合推理智能体：隐空间思考与文本工具调用统一
🧭 混合潜在推理与工具调用的 LLM Agent ★ 深度解读
Stanford University · Together AI · UIUC · Meta
HybridAgent 用轻量 HybridLink 与连续工作记忆交替进行潜在推理和文本工具调用，在 11 个基准上平均提升 10.4% 并大幅降低 token、延迟与成本
📌 工作参考价值（5 点）
- 在搜索/推荐 Agent 中，把长 CoT 的中间推理压缩为 latent steps，仅在需要调用搜索 API、商品过滤工具时切回 text，可大幅降低 token 费用和首字延迟；适用于高并发在线服务。
- 复用 KV cache 作为跨轮工作记忆：多轮搜索/推荐对话中保持工具结果和内部表示，避免重复编码；可参考其 persistent KV accumulation 设计来优化多轮 Agent 服务。
- 后训练要解决 train-inference mismatch：先用 teacher forcing 再 self-conditioned 两遍训练，是让模型学会消费自己 latent 输出的关键；如果业务中做类似隐式状态，这个 trick 值得照搬。
- RL 奖励只给 correctness + format + tool use，不显式控制 latent/text 比例，让模型自适应分配；在电商 Agent 中可避免奖励设计过度约束导致行为退化。
- 可解释性：latent pseudo-text 映射到最近 token，方便监控和 debug；适合需要审计的推荐理由生成/搜索排序 Agent，可保留可解释性同时降本。
TauIndianBankBench：面向工具调用对话代理的过程感知行动导向评估基准
🧭 过程感知的行动导向评估基准
National Payments Corporation of India (NPCI)
提出银行客服对话代理评估基准，除最终记录外检查必需步骤执行与未请求变更，暴露仅看结果的假阳性
📌 工作参考价值（4 点）
- 评估不能只看最终状态：在电商客服或推荐对话场景中，很多关键动作（如查询库存、确认地址、风控校验）不改变最终记录但影响服务质量。建议在评估 Agent 时增加"过程步骤检查"，防止模型跳过合规步骤却得到正确结果。
- 构建 action-oriented 测试集：用模拟用户 + 工具调用日志的方式，将业务规则编码为"必需步骤"和"禁止变更"，可复用于电商售后、广告投放审核等 Agent 的回归测试，尤其适合有 SOP 的流程。
- 关注未请求的变更：模型有时会主动执行用户未要求的操作（如擅自修改订单、发送通知），这类错误在结果导向评估中难以发现。应单独统计 unrequested change 的比例，作为安全指标。
- 低资源领域适配：该 benchmark 针对印度零售银行这类非英语主流、流程固定的场景，提示我们在垂直业务中自建轻量级评估集，比通用 benchmark 更能反映真实风险。
何时纠错才算修复：工具型 LLM 内部干预的机制审计
🧭 LLM 可解释性 · 工具决策审计
University of the Chinese Academy of Sciences, China · School of Computer Science, University of Birmingham, UK
SAKIKO 审计框架揭示激活干预的行为迁移不等于修复，并量化附带损伤
📌 工作参考价值（3 点）
- 评估内部干预或 steering 修复工具调用/动作决策时，不要只看 accuracy / net gain；增加 destination-resolved 指标（如翻转矩阵：被干预改对的 vs 改错的基线正确样本），并在上线前审计 collateral damage。
- 干预应做成 router-conditioned：先定位动作类型决策对应的 router/分类子层或关键 attention head，再对局部 hidden state 做方向干预；全局 residual stream steering 容易引入无关动作损伤。
- 采用 前瞻冻结统计许可：预先设定目标增益，将干预方向与同预算随机方向做统计比较；对有限样本下的“看起来不错”的点估计，应报告置信区间/检验结果，避免把噪声当成修复。
Realtime-Venus：支持异步委派的全双工实时交互系统
🧭 全双工语音/多模态 Agent 异步委派
Venus Team, Ant Group · Tsinghua University
双 9B 模型全双工交互系统，前台实时对话与后台异步工具执行协同，音频/视频基准超越 GPT-4o 等在线模型
📌 工作参考价值（4 点）
- 双循环异步委派架构值得借鉴：将前台低延迟语音/视觉交互与后台工具执行（如订单查询、库存检查、推荐 API 调用）解耦，高响应实时对话不因长尾任务阻塞，适合电商导购 Agent。
- 共享因果时间线统一用户输入、模型输出与委派事件，能有效管理多轮对话中的打断/重叠语音，提升全双工体验；可迁移到实时语音推荐场景，避免状态错乱。
- 后训练阶段加入主动全双工轨迹和委派工作流，可提高模型在真实对话中的主动性和工具调用协同；对于需主动推送商品/优惠信息的对话式推荐系统有参考价值。
- 两个 9B 模型分别优化音视频与纯语音，按场景拆分部署，减少模态冗余并降低推理成本；可借鉴为电商视频/语音客服分别训练轻量前端模型。
面向临床语言模型的确定性数学求解器
🧭 LLM 工具调用 · 代码执行器
MIT Critical Data · UNC Chapel Hill · University of Pavia · Humanitas University
Program-Solve 让 LLM 写 Python 交由受限执行器计算，32B 模型在 MedCalc-Bench 准确率从 83.47% 提升到 90.53%
📌 工作参考价值（4 点）
- 在电商/广告场景中，凡涉及数值计算（ROAS、LTV、预算分配、出价、统计显著性），不要让 LLM 直接做算术；改为让 LLM 生成 Python 片段，由受限沙箱执行，返回确定性结果。可参考 Program-Solve 的 prompt 设计：提供公式与变量字典，要求模型只写计算逻辑。
- 该方案对模型规模敏感：7B 提升 3.29 点但置信区间跨 0，32B 提升 7.05 点且显著。业务落地时如果用小模型，需要先验证代码生成质量，不能默认“加执行器一定好用”。
- 工程上可复用受限本地执行器的设计：限制 import 集合、单次超时、内存上限，并将公式/变量以 JSON 传入，避免 LLM 直接输出数字；在广告出价或推荐收益预估中同样可建立公式库作为受控资产。
- 论文提醒：公式版本和变量抽取是瓶颈，即使有 gold variables，7B 仍因代码 bug 或误解丢分。电商复用时应把业务规则（如优惠计算、佣金规则）维护为版本化配置，不依赖 LLM 记忆；变量抽取单独做，别和计算耦合。
StarHarness：用分层搜索为企业环境演化 Agent Harness
🧭 Agent harness 演化 · 环境适配 ★ 深度解读
ServiceNow · Mila · Université de Montréal
提出 StarHarness，在冻结模型下分层搜索演化 Agent harness，企业基准提升 20-35pp 并可跨模型迁移
📌 工作参考价值（4 点）
- 对电商/广告/搜索推荐里的 Agent 工具链，可以不微调模型，先优化 harness（prompt、tool schema、MCP 参数预处理、subagent 结构、finish 逻辑）；本文在 4-12 个 accepted patches 内拿到 20-35pp 提升，工程成本很低。
- 借鉴其分层任务池：按 baseline failure mode、task score、verifier pass rate 抽样，再把任务拆成 proposer 可见 search set、隐藏 selection set 和 held-out；能直接评估泛化、防止 harness 搜索过拟合到具体 case。
- 演化循环中加入便宜门控：scope/import/smoke 校验 + 单任务 test flip，不通过就不跑全量 selection eval；生产环境可大幅降低搜索成本。
- 实际可复用的修复类型：清理 null/empty/placeholder 参数、补充 schema 约束、把隐式业务规则写进 prompt（如 priority 与 impact/urgency 联动、保留 relationship 字段）、把日期/金额计算下沉到确定性工具；这些都适合迁移到订单、商品、营销工具等有状态业务 Agent。
AgentMercury：从业务场景大规模合成可验证可执行环境
🧭 业务场景可执行环境合成 · 策略强化学习 ★ 深度解读
Meridian Intelligence Global Inc. · University of Massachusetts Amherst
提出从高层业务场景自动合成可执行世界，作为策略强化学习训练基底，并证明环境构建本身可学习
📌 工作参考价值（4 点）
- 场景驱动仿真生成：在电商/广告 Agent 业务中，不要围绕特定任务或评测集手工搭建环境，而是从业务流程（订单、库存、营销、客服、履约）生成多服务、有状态、带跨服务约束的可执行环境，让任务自然涌现。这样一套环境可支撑多个任务和多种策略训练，复用性远高于 task-centric 仿真。
- 将业务不变量与状态转移解耦：把跨服务约束（如支付成功后必须生成发货单、推荐展示后必须同步库存）做成 episode 结束时的 SQL/确定性 verifier，而不是在模拟器中自动满足。训练 agent 主动发现并满足这些约束，能提升策略在真实业务流程中的可靠性和一致性。
- 用合成业务环境做 RL 预训练/继续训练：AgentMercury 的实验显示，在多样化的业务工具环境上做 GRPO/SAO 训练，即使不针对下游评测集，也能提升 tool-use、推理、代码等能力，并显著降低工具调用轨迹的方差。电商 Agent 团队可以批量生成带真实工具调用、状态追踪、多步交互的环境，作为通用能力底座。
- 把环境构建本身做成可学习任务：收集从业务 brief 到可执行世界的构建 trace（中间 schema、服务图、validator 修复），对模型做 SFT，让模型从需求描述直接生成可执行仿真。这能大幅加速新业务场景的环境覆盖，并让非技术业务方参与环境定义。
AgentRewind：面向长程 LLM Agent 的可恢复执行框架
🧭 Agent 执行恢复与 checkpoint ★ 深度解读
University of Chinese Academy of Sciences · IIIS, Tsinghua University · Zhongguancun Academy · Institute of Automation, Chinese Academy of Sciences
通过对齐的上下文与环境 checkpoint 回滚，并注入失败摘要，提升长程 Agent 任务成功率
📌 工作参考价值（4 点）
- 做电商/搜索/广告领域的 Agent 时，把失败恢复做成 runtime 层，不只回滚 message history，必须同时回滚工作区或数据库状态；否则被污染的中间状态会拖垮后续步骤。
- 把 rewind 作为工具暴露给 LLM，而不是外部固定策略：让 agent 根据 checkpoint metadata 选择回退点并写 memory_summary，适合长任务和多步修改场景。
- 借鉴 MettleBench 的「有序 checklist + 只返回第一个未满足项 + prefix progress」作为 Agent 任务验收与诊断指标，比只看最终成功率更能测量部分完成度。
- 工程上要明确恢复边界：只回滚可控文件系统，外部副作用需要隔离或记录；回滚时用执行日志恢复前缀，避免重新执行产生新的副作用。
优化器即智能体：推理驱动的 Prompt、程序与 ML 工作流搜索
🧭 Agent 驱动的优化搜索 ★ 深度解读
The University of Texas at Austin · Snowflake
用单一工具使用智能体内部化搜索策略，替代外部启发式控制器，在三大领域 14 项任务中达到或超越专用方法。
📌 工作参考价值（4 点）
- 用 Agent 自动优化模型超参与训练流程：在搜索推荐模型中，可借鉴 ReASearch 的“先诊断再修改”范式，通过 Python exec 分析训练曲线、定位瓶颈，替代盲目调参。
- Prompt 自主进化：对于生成式推荐或 Query 改写，可让 Agent 自主管理 prompt 候选树、验证增益、回溯失败路径，并通过记忆文件积累领域知识，减少对手工启发式的依赖。
- 低成本组件易于集成：Memory 文件（lessons.md）记录已尝试的方法、效果与下一步方向，可作为 Agent 的持久经验库，在新任务初始化时复用，类似推荐系统中的历史实验知识复用。
- 验证粒度控制防过拟合：仅暴露聚合验证指标（而非逐样本反馈）能有效防止 prompt 优化过拟合，这一 trick 可直接迁移到生成式推荐的 prompt 调优中。
StreamArena：面向连续交互的长时流式视频理解基准与双层架构
🧭 长时间流式视频理解Agent架构
The Hong Kong University of Science and Technology · Xiaohongshu Inc. · The University of Hong Kong · The Chinese University of Hong Kong
提出小时级流式视频理解基准StreamArena和双层架构StreamMind，解耦实时交互与长期多模态记忆
📌 工作参考价值（4 点）
- 异步记忆与实时交互解耦：前后端分离架构可借鉴到电商直播监控中，前端快速响应实时关键词检测、用户提问，后端异步构建直播长时记忆并支持历史事件搜索，避免阻塞交互。
- 多模态持久状态复用：后端构建持久化的多模态记忆（非纯文本），保留视觉证据，降低重复压缩损失，可用于长时间直播流的商品出现记录、主播话术回溯等场景，减少重复计算。
- 主动干预能力：StreamMind的主动监控模块可迁移至直播推荐系统，在检测到预设事件（如商品展示、主播口播优惠）时主动向用户推送提示卡片，提升互动转化。
- 外部工具集成：架构支持按需调用外部搜索，可应用于实时查询商品详情、比价等，增强Agent在电商场景中的实时信息获取与回答准确率。
自进化编码代理综述
🧭 Agent 自进化机制与框架
Nanjing University of Science and Technology · Nanjing University
系统综述自进化编码代理，定义概念并提出对象为中心的演变分类法，分析软件工程的天然演进特征与挑战。
📌 工作参考价值（4 点）
- 记忆驱动的推荐策略优化：借鉴编码代理利用历史轨迹复用经验的方法，推荐Agent可记录用户反馈（点击/转化/停留）和推荐上下文，构建可检索的记忆库，在下一次相似场景中直接复用成功策略，减少重复探索成本。
- 工具使用的在线自适应：推荐Agent集成多种工具（如搜索API、用户画像查询），可监控工具调用成功率与业务效果，自动调整工具选择策略或微调调用参数，实现工具链的自进化。
- 反馈驱动的提示词在线更新：将A/B测试或在线指标作为反馈信号，自动优化Agent链路中的提示词（如召回、排序、文案生成），形成闭环自进化，避免人工调参滞后。
- 多Agent协作的动态分工：在多智体系统中（如广告竞价、多目标推荐），根据全局收益定期调整各Agent的权重或协作模式，类似编码代理更新协作结构，实现整体效率演进。
压缩下的控制：工具型代理的可靠性前沿
🧭 Agent控制上下文压缩下的可靠性前沿 ★ 深度解读
Imperial College London
代理控制上下文压缩存在非线性可靠性前沿，环境执行验证揭示从近全保留到脆弱的三个区域
📌 工作参考价值（4 点）
- 代理系统指令压缩优先采用按节选方式（如工具、策略、规划各节），保留原始顺序与完整语义单元，比通用 LLM 改写或标记级压缩更可靠。
- 引入义务感知压缩（OAC）：自动提取前置条件、参数约束、策略等关键义务，根据依赖闭包选择保留内容，提供可行性与保留率信号，帮助在压缩前判断是否进入高危区间。
- 压缩评估不能只看语义相似度或标记减少量，必须在确定性执行环境中验证工具执行成功率和动作解析正确率，重点监控工具执行错误和解析失败模式。
- 没有全局最优压缩比，需按具体上下文做压缩可靠性认证，建议从 75% 中等预算开始，逐步压测找到业务可接受的操作边界。
SpatialCLI：先借助空间工具推理，再摆脱工具
🧭 Agent 工具学习与能力内化
Zhejiang University · Zhuoyu Technology · Beihang University · University of Electronic Science and Technology of China · Nanyang Technological University
提出三阶段框架让 VLM 学会调用空间工具，再将工具能力内化到自身，推理时无需工具仍高性能
📌 工作参考价值（4 点）
- 三阶段训练策略：先用工具增强数据做冷启动 SFT，再用 Agentic RL 提升工具调用准确率，最后将成功轨迹转化为 SFT 数据内化能力，可直接迁移到推荐/搜索 Agent 的工具调用训练中，比如让 LLM Agent 学会调用推荐 API 再内化推荐知识。
- 延迟敏感的线上场景：通过内化将工具能力蒸馏到小模型，实现推理时无工具调用，降低延迟，适用于电商搜索/推荐的高并发服务。
- 冷启动 SFT + RL 的组合：先通过格式化示例让模型学会工具调用格式，再用环境反馈优化决策，可提升 Agent 在复杂决策任务（如多步推荐、交互式搜索）中的鲁棒性。
- 评估基准设计：SpatialCLI-Bench 聚焦组合感知，类似思路可构建面向推荐领域的组合能力基准，评估 Agent 在 item 检索、过滤、排序等多步骤中的表现。
Nanbeige4.2-3B：紧凑模型中解锁通用智能体能力
🧭 紧凑通用智能体模型 ★ 深度解读
Nanbeige Lab · Boss Zhipin
3B参数的紧凑模型在代码、办公、工具使用等智能体任务上全面超越9B/12B模型，同时保持强推理能力
📌 工作参考价值（5 点）
- 多阶段 RLHF 通用化：先对 Think/Non-Think 响应混合 RLHF，能跨任务、跨模式减少循环生成与格式错误，提升推理与智能体任务的稳定性。可用于电商对话/操作型 Agent 的异常输出抑制。
- 长度控制推理 RL：离线建立长度预算+难度感知惩罚，鼓励简洁推理，可适配推荐解释或搜索推理链的延迟约束，平衡效率与效果。
- 行动级过程奖励：在 Agentic RL 中为工具调用准确性、信息增益设计逐步骤 rubrics 作为过程奖励，提供密集反馈，可迁移至交互式推荐 Agent 的长程训练，稳定多步规划。
- 混合环境数据合成：组合真实 MCP 服务、Python 可执行接口和 LLM 模拟工具，扩大轨迹多样性。电商搜索推荐系统可借鉴构建高覆盖率的仿真环境，低成本生产高质量多轮交互数据。
- Turn-level loss masking：仅对正确回合计算损失但保留错误上下文，适合训练多轮对话推荐，避免学习错误行为的同时利用完整语境恢复。
TRACE：通过冻结参考模型估计步骤信用实现长程 Agent 的稠密奖励
🧭 Agent 强化学习中的步骤级信用分配 ★ 深度解读
University of Wisconsin–Madison · Microsoft Research
用冻结参考模型的金标答案对数概率变化作为工具调用步骤的即时信用信号，无需 Critic 或过程标签，显著提升长程 Agent RL 训练效率与效果
📌 工作参考价值（4 点）
- 冻结参考模型作为价值探针：无需训练额外 Critic 或 PRM，直接用初始化策略作为固定的前缀状态评分器，可稳定地为多轮工具调用提供稠密奖励，适合电商对话 Agent、搜索 Agent 等需要长程交互的场景。
- Log-ratio 状态值设计：通过计算金标答案对数概率的相对间隙闭合度（而非绝对变化），解决了不同置信度下概率变动尺度不一致的问题，能更准确地衡量中间步骤的进展，该方法可直接用于推荐或广告 Agent 中关键决策步骤的信用评估。
- K-step TD 备份传播延迟信用：支持将后续观察到的答案可预测性提升追溯到更早的搜索或文档打开动作，这对网页搜索、商品筛选等多步决策链条非常有益，避免只奖励最后一步而忽视前序关键操作。
- 与结果奖励的混合优化：将 TD 信用作为辅助信号与 GRPO 的结果优势相加，保持最终正确答案作为训练锚点，既缓解稀疏奖励，又防止局部进度信号主导优化方向，这种架构可复现于搜索推荐等需平衡即时反馈与最终目标的场景。
MM-ToolSandBox：面向视觉工具调用 Agent 的统一评估框架
🧭 视觉工具调用 · Agent 评估 ★ 深度解读
Apple
提出首个多图像、多轮、状态化视觉工具调用基准，揭示视觉精度是前沿模型的主要瓶颈
📌 工作参考价值（4 点）
- 多模态 Agent 在电商场景的潜在应用：商品图片识别、广告素材分析、用户截图诊断等任务可借鉴该框架的视觉工具调用模式，但当前模型在图像信息抽取精度上不足（53% 的失败源于误读图像），在落地前需要增加视觉校验或人工兜底。
- 评估方法论可直接复用：框架采用“状态差分 + LLM 裁判”双轨评估，实体 F1 衡量结果一致性，裁判器评估任务完成与信息准确度，尤其适合带数据库的后台操作（如订单、购物车、日程）的 Agent 评测。
- 多图像工作记忆是瓶颈：发现“前期一次性给出所有图片”的场景比逐步给图难 20%，说明长期上下文中的视觉引用是弱点。在构建电商导购 Agent 时，可将图片分批发送，降低记忆负担，或引入外部缓存/索引来保存图片信息。
- 执行接口选择依模型而异：代码执行和结构化工具调用没有统一更优方案，应根据所用模型分别测试。小米（4B-27B）模型在代码执行上比工具调用好 6-8 个点，而 KIMI 2.6 在工具调用上反而更强，工程上可提供双模式并 A/B 选型。
推理努力而非工具访问带来智能体代码生成的首次可靠性
🧭 Agent可靠性优化 · 推理努力大于工具
TrendAI
提升推理努力（xHigh）使首次完美运行率从28%跃至89%，而测试工具未提高功能得分
📌 工作参考价值（4 点）
- Agent能力设计权衡：电商推荐/对话Agent中，盲目增加工具（如查询商品库、检查价格）可能只增成本而无益于任务完成率，类似本研究中测试工具未提升功能评分。应优先提升核心推理能力（例如使用更强模型或增加推理步骤），再针对性补充工具。
- 成本控制与推理深度：将推理努力从High调至xHigh成本仅增9-29%，但效果提升显著。在线上Agent服务中，可考虑为高价值请求（如高客单价用户）分配更高推理预算，以提升一次性解决率，减少多轮交互成本。
- 故障根因分析驱动迭代：研究发现容器部署是主要失败模式（44%首次故障）。在开发推荐Agent时，应建立细粒度失败分析，找出高频失败点（如商品召回缺失、文案生硬），针对性优化而非泛泛增加工具或提示。
- 非功能需求分离处理：设计导向提示仅提升视觉质量，不影响功能。类似地，在生成推荐文案或物品标题时，可分离功能指令（准确性）与风格指令（吸引力），用轻量提示即可达到风格优化，避免干扰核心推荐逻辑。
Visual-Seeker：通过主动视觉推理实现视觉原生多模态智能搜索
🧭 多模态搜索代理 · 主动视觉推理
UCAS · Institute of Automation, CAS · Ant Group · RUC · BIT
提出视觉原生多模态搜索代理，主动关注细粒度视觉细节并动态收集视觉证据，在多模态搜索基准上达到SOTA
📌 工作参考价值（4 点）
- 电商搜索场景中可借鉴主动视觉推理，让 Agent 动态分析商品图片的局部细节（如品牌、款式），提升多模态查询的匹配精度。
- 构建视觉原生搜索代理的数据流水线，合成多模态搜索轨迹，用于训练面向电商场景的视觉推理模型。
- 在推荐对话 Agent 中引入动态视觉证据收集机制，对用户上传的图片进行多跳细粒度推理，增强可解释性和准确率。
- 工程上可将主动视觉推理模块集成到现有多模态 LLM 搜索管道中，处理复杂的视觉问询，如“找类似这件衣服但领口不同的商品”。
HarnessForge：自适应 Agent 系统的 Harness 与 Policy 联合进化
🧭 Agent 系统 harness–policy 协同进化 ★ 深度解读
Beihang University · Tsinghua University
通过 harness–policy 对协同进化实现 LLM agent 系统的元适应，解决执行结构与推理策略兼容性问题
📌 工作参考价值（4 点）
- 1. 业务 Agent 的联合迭代范式：将电商客服或推荐 Agent 拆解为 Harness（任务分解、工具接口、记忆模块）与 Policy（推理行为），通过故障诊断改进 Harness，再用成功轨迹训练 Policy，闭环提升系统整体兼容性。
- 2. 低成本 Policy 对齐：复用同一批 rollout 数据同时完成 Harness 筛选和 Policy 训练，避免额外数据采集成本，适用于在线业务快速迭代。
- 3. 资源受限下的适配策略：保持基座模型不变，仅训练轻量 LoRA 适配器，使模型对齐不同 Harness 的执行约定，适合在算力有限时动态切换任务范式。
- 4. 多目标 Pareto 筛选机制：在 Harness 候选评估中同时考虑任务效果、token 消耗和延迟，可迁移到推荐 Agent 的架构搜索，平衡收益与成本。