清华智谱开源HarnessPro：Agent降本提效34%

近期，清华大学、智谱等团队联合推出的HarnessPro工具，让智能体能够自主迭代自身的执行框架，在优化任务表现的同时有效控制执行成本。该项目由唐杰担任论文共同通讯作者，为智能体的成本优化提供了全新思路。

当搭配GPT-5.5与Codex模型时，在Terminal-Bench 2测试子集上，HarnessPro的Heavy版本相比同类方案RHO，通过率从76.3%提升至80.8%，单任务平均调用成本从1.09美元降至0.72美元，成本节省约34%。

与过往侧重提升表现却常伴随成本上涨的智能体优化工作不同，HarnessPro将成本控制纳入进化目标。它会从每轮执行轨迹中同时识别两类问题：哪些环节导致任务失败，哪些环节存在预算空耗。该方法不调整模型权重，仅对指令、工具、上下文与运行策略进行修改。

轨迹分析模块会联合分析同一任务的多次运行记录，将失败、重复计算和无效探索定位到具体执行步骤。规划模块据此提出成本优先、均衡、性能优先三种优化方案，编辑模块在独立工作区实现修改后，交由后续评测环节筛选最优方案。

每轮迭代都会将新候选方案与父代方案共同评估，先淘汰低于初始通过率底线或被其他方案Pareto支配的候选，再根据性能与成本的归一化加权距离，保留Lite、Medium、Heavy三个代表方案进入下一轮迭代。

为避免虚假进步，HarnessPro采用定制测试机制：它不会依赖官方测试集与标准答案，而是根据任务描述和初始轨迹生成专属测试用例，所有候选方案均在这套固定测试用例上运行。在20个初步测试案例中，模型直接评判仅识别出5个实际失败案例，而生成的测试用例识别出10个，失败召回率从41.7%提升至83.3%。

测试用例仅在初始阶段生成一次，不会随候选方案变化而调整。待多轮优化完成、执行框架固定后，才用官方评测检查预留测试集上的表现。移除测试生成模块后，不同设置下的任务通过率下降了3.4至10个百分点，凸显了该机制的重要性。

实验覆盖Terminal-Bench 2、SWE-Bench Pro和ProgramBench三个基准，采用GPT-5.5×Codex、GLM-5.2×Claude Code两组模型配置，每个基准预留59、100、100个测试任务。不同变体方案各有取舍：

在GPT-5.5搭配Codex的SWE-Bench Pro测试中，RHO的通过率为80%，单任务平均成本2.68美元；HarnessPro的Medium版本通过率79%，仅需1.26美元，通过率下降1个百分点，成本却减少约53%；Heavy版本通过率80.7%，成本1.97美元，在表现与成本上均优于RHO；Lite版本侧重低预算，通过率72.3%，成本0.80美元，仍超过原始Codex配置的59%（成本1.88美元）。

换成GLM-5.2搭配Claude Code时，Terminal-Bench 2上的Heavy版本同样表现亮眼，通过率从RHO的78.0%提升至81.4%，单任务平均成本从1美元降至0.62美元。

成本优势源于执行细节的优化：进化后的执行框架会根据任务选择推理强度与工具预算，通过运行时钩子控制探索过程与收尾步骤，压缩工具输出并减少重复指令。例如，Terminal-Bench 2的Medium版本选中标准配置后，会在第14次工具调用时提醒合并可并行调用、减少重复检查；第26次时要求转向完成与验证；第44次后阻止继续调用。这些调整保留了提示词前缀以利用缓存，折叠重复日志、压缩冗长输出，避免后续轮次重复读取。

单独移植某一项优化无法获得相同收益：在SWE-Bench Pro上，仅给RHO增加动态路由或预算钩子，通过率分别从80%降至76%和75%；统一调低推理强度则降至59%。HarnessPro的Heavy版本在Terminal-Bench 2上，第一轮通过率74.6%、成本0.91美元，第三轮便达到80.8%、0.72美元，实现了性能与成本的同步提升。

该项目的开源仓库提供了三个基准的9套选定执行框架（每个基准对应三档方案）及评估脚本，运行策略、钩子函数和部分验证工具均可查看，推理强度与工具预算的具体配置可在runtime/policy.json中查看。复现需另行准备基准数据、任务环境和模型接口，当前发布包主要包含选定配置与评估入口，论文中的GLM-5.2演化配置尚未一并放出。