企业官网建设流程全解析

【导语：智能体（Agent）的能力不仅取决于底层模型，Agent Harness也至关重要，但目前其设计依赖人工、难以扩展。新加坡国立大学颜水成教授团队提出JIT - Agent，可实时合成任务自适应的Agent Harness，增强底层骨干模型能力。】

JIT - Agent：将Harness构建变为可学习能力

智能体的能力不完全由底层模型决定，Agent Harness负责管理记忆、制定规划等，同样关键。然而，现有的Harness设计依赖人工、局限于特定任务且难以扩展。新加坡国立大学颜水成教授团队提出的JIT - Agent，把Harness构建从人工工程化、提前设计转变为可学习能力，能为任意现成的Agentic LLM实时合成任务自适应的Agent Harness。

四模块协议与三阶段训练策略

为使Harness能被模型稳定生成，研究团队建立了固定的四模块协议，包括Memory、Planning、Action和Capability，共同构成可组合的Harness，并构建了HarnessFactory。在训练JIT - Agent时，采取了三阶段训练策略。第一阶段，模型根据教师模型生成的示例，学习根据任务结构选择不同编排方式；第二阶段，从失败轨迹中学习修复，让Harness生成器具备处理自身输出问题的能力；第三阶段，通过“进化群组解耦策略优化”（Evo - GDPO）让模型自主生成最优Harness，考虑执行效率和资源开销。最终得到JIT - Agent - 27B模型。

实验结果：显著提升模型性能

研究团队在多个Agent基准和多个模型骨干上对JIT - Agent进行评估，结果显示它能为不同模型带来显著性能提升。如DeepSeek - V4 - Flash在DeepPlanning - Shopping上分数增加24.8%，超越GPT - 5.6；GLM - 5.2在多个榜单上取得SOTA分数。同时，JIT - Agent生成的Harness与OpenCode、Claude Code等成熟Agent运行时处于同一竞争区间。

未来：model–harness协同设计范式

研究团队将Harness Intelligence视为与模型容量、推理算力并列的基础scaling维度，JIT - Agent是重要一步。更长远的是model–harness协同设计范式，未来系统或许保留稳定核心harness，允许模型按需修改组件。随着范式成熟，Harness合成、修复和进化能力将内化到基础模型，衍生更多研究议题。

编辑观点：JIT - Agent的提出为智能体Harness构建带来新突破，提升了模型性能，其训练策略和未来范式值得关注，有望推动智能体技术进一步发展。