Infini-AI-Lab 发布 Hermit：面向 AI Agent 的开源 harness adapter 框架
Infini-AI-Lab 发布了 Hermit，一个 Apache-2.0 许可的 harness adapter 框架：它从任务反馈中训练出由指令、技能、记忆与工具构成的外置层，而 agent 的模型与 harness 保持不变。
Infini-AI-Lab 发布了 Hermit，一个面向 AI agent 的开源 harness adapter 框架。这个来自 Infini-AI-Lab 的框架在 agent 的模型与 harness 保持冻结的前提下，训练一个外部的「harness adapter」。首个版本 v0.1.0 于 2026 年 10 月 25 日发布，CMU 博士后 Haizhong Zheng 于 10 月 27 日在 X 上宣布了这一消息。对开发者而言，卖点很简单：无需微调、无需 fork harness，就能让 Codex 或 Claude Code agent 适应新任务。
Harness adapter 是一个可训练的外部 harness，工作方式如同一个内置训练支持的插件。模型 adapter（如 LoRA）适配的是模型，而 harness adapter 适配的是现有 agent。
该 adapter 可以承载指令、技能、记忆、工具、可执行代码与 agent 协调逻辑，甚至可以是一个完整的仓库。其规格说明定义了哪些部分可学习、更新如何校验。基础模型与 harness 永不改动。
团队给出了这一设计的 3 点理由：许多 harness 是闭源的；改动开源 harness 可能破坏精心调校的组件交互；而训练得到的 adapter 可以在兼容的模型与 harness 之间迁移。
Hermit 采用类 RL 的训练循环：Trainer 用当前 adapter 让执行 agent 跑一批任务；judge 对输出打分；Evolver 阅读轨迹与反馈后提出新的 adapter；Trainer 对照模板校验后将其提交为下一个版本。
每个 adapter 版本都保存在 git 树中，你可以查看、回滚或发布任意版本。学习程序可以在沙箱中运行，这需要带 bubblewrap 的 Linux。
首批提供 5 种进化方法：GEPA、SkillOpt、MetaWorld Model（MWM）、Harness² 与 Continual Harness。ACE 与 ReHarness 列为即将推出。你也可以编写自己的 Evolver。
以下所有运行均使用 GLM 5.3 Flash 作为执行模型。数字来自该仓库示例 README，为官方自报数据。
OfficeQA（recipe）针对美国财政部公报（U.S. Treasury Bulletins）提出 172 个测试问题，按精确匹配计分：
GEPA 与 SkillOpt 在 50 个问题上训练后以冻结状态测试；Continual Harness 与 Harness² 则是在单次流式跑完测试集的过程中边跑边学。团队报告 Harness² 较其参考运行提升 7.6 个百分点，95% 区间为 +1.7 到 +13.4。
CL-Bench（database、poker）测试来自 Continual Learning Bench 论文的有状态环境。在数据库探索任务上，MWM 达到 0.795 准确率，该基准的 in-context 基线为 0.580。在可被利用的扑克任务上，MWM 每手赢 3.08 个大盲注，in-context learning 为 2.51。
ServeLearnBench（recipe）在一条隐藏且不断变化的政策下流式处理 624 个零售客服请求。MWM 在隐藏政策测试中得 45.3 分；排行榜上最好的学习方法 CH 得 28.7 分；拿到政策的 oracle 得 89.2 分。
可通过 pip install hermit-harness 从 PyPI 安装，或 clone 仓库获取示例。CLI 覆盖 check、train、eval、deploy 与 convert。模型以 <backend>/<model id> 形式引用，支持的 backend 包括 Fireworks、OpenAI、Anthropic、DeepSeek、vLLM、SGLang 与 Ollama。
hermit deploy 会为 Codex、Claude Code 或 Pi 生成工作区；hermit convert 可将训练好的 adapter 导出为 Codex、Claude Code、Pi 或 Hermes 的原生插件。一个已完成的 Lean 协作 adapter 能协调 5 个 Codex agent 共同证明一个定理。