論文の概要: HarnessNet: Feedback-driven Hierarchical Joint Harness Evolution for Multi-agent Systems
- arxiv url: http://arxiv.org/abs/2610.15221v1
- Date: Sat, 10 Oct 2026 23:28:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.176301
- Title: HarnessNet: Feedback-driven Hierarchical Joint Harness Evolution for Multi-agent Systems
- Title（参考訳）: HarnessNet:マルチエージェントシステムのためのフィードバック駆動型階層的関節ハーネス進化
- Abstract要約: 既存の研究はシングルエージェントに焦点を合わせ、マルチエージェントシステムにおけるジョイントハーネスの進化を過小評価している。
マルチエージェントシステムにおける階層的ハーネス進化のためのフレームワークであるHarnessNetを提案する。
- 参考スコア（独自算出の注目度）: 5.315316451049643
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI agents can evolve by using environment feedback to revise their harnesses, the software managing model inputs, tool use, memory, and execution, while keeping foundation models frozen. Existing studies focus on single agents, leaving joint harness evolution in multi-agent systems (MAS) underexplored. A single global optimizer faces growing context and workload as the system scales, while access restrictions may prevent sharing agent internals or system-wide feedback. We propose HarnessNet, a framework for hierarchical harness evolution in MAS. Its basic unit, Agentron, comprises an evolvable forward harness, a foundation model, and a local optimizer that can observe and modify only that harness. Agentrons form a layered graph through which environment feedback propagates backward, with upstream optimizers receiving node-specific feedback from the downstream layer. This decomposes joint harness evolution into smaller, coordinated tasks with separate contexts, reducing individual optimizers' context and workload while keeping access local. Optimizers need not access all agent trajectories or raw environment feedback. Experiments on AgentBench with multiple foundation models demonstrate the feasibility of training HarnessNet. Compared with a single global optimizer, HarnessNet achieves comparable performance gains while respecting local privacy and requiring fewer tokens and less time per optimizer call. A migration study shows that the evolved harnesses remain jointly effective after replacing the foundation models, suggesting transferability across models.
- Abstract（参考訳）: AIエージェントは、環境フィードバックを使用してハーネス、モデル入力、ツール使用、メモリ、実行を管理するソフトウェアを更新し、基礎モデルの凍結を維持することで進化することができる。
既存の研究はシングルエージェントに焦点を当て、マルチエージェントシステム(MAS)におけるジョイントハーネスの進化を過小評価している。
単一のグローバルオプティマイザは、システムがスケールするにつれて、コンテキストとワークロードの増大に直面しますが、アクセス制限は、エージェント内部の共有やシステム全体のフィードバックを妨げます。
我々は,MASにおける階層的ハーネス進化のためのフレームワークであるHarnessNetを提案する。
基本ユニットであるAgentronは、進化可能なフォワードハーネス、ファンデーションモデル、およびそのハーネスのみを観察および修正できるローカルオプティマイザで構成されている。
Agentronは、環境フィードバックが後方に伝播する層グラフを形成し、上流のオプティマイザは下流層からノード固有のフィードバックを受け取る。
これにより、共同ハーネスの進化を、個別のコンテキストでより小さく調整されたタスクに分解し、ローカルアクセスを維持しながら、個々のオプティマイザのコンテキストとワークロードを削減できる。
最適化者はすべてのエージェントの軌跡や環境フィードバックにアクセスする必要はない。
複数の基礎モデルによるAgentBenchの実験は、HarnessNetのトレーニングの実現可能性を示している。
単一のグローバルオプティマイザと比較して、HarnessNetは、ローカルプライバシを尊重し、トークンを少なくし、オプティマイザコール当たりの時間を短縮しながら、同等のパフォーマンス向上を実現している。
移行調査では、進化したハーネスは基礎モデルを置き換えることで共同で有効であることを示し、モデル間の移動可能性を示している。
関連論文リスト
- Harmony Harness: Multi-Objective Self-Evolution of Agent Harnesses [43.57696141727168]
本稿では,多目的・構成的ハーネス進化のためのフレームワークであるHarmony Harnessを紹介する。
SecRepoBench と BaxBench にまたがって、Harmony Harness は強いハーネス進化ベースラインを上回っている。
以上の結果から,客観的トレードオフとハーネス構造の両方を明示的にモデル化することで,より強く,より伝達可能なエージェントの進化がもたらされることが示唆された。
論文 参考訳（メタデータ） (2026-10-10T20:06:59Z) - StarHarness: Evolving Harnesses with Stratified Search for Enterprise Environments [9.081306845678679]
本稿では,モデルウェイトを固定したまま環境特異的エージェントハーネスを進化させるフレームワークであるStarHarnessを紹介する。
進化したハーネスには、プロンプトとタスクフレーミング、ツールインターフェース、スキル、MPP支援プロバイダ、サブエージェント構造、エージェントループ構成が含まれる。
論文 参考訳（メタデータ） (2026-08-25T16:48:05Z) - Self-Evolving Embodied Agents via Skill-Harness Evolution [53.307052568223945]
身体的エージェントは、ファンデーションモデルを中心としたシステムとして、ますます構築されている。
教師付き微調整と強化学習はエージェントを新しい環境に適応させることができるが、追加のデータ、報酬、トレーニングの実行が必要である。
SHAPERは,モデルパラメータの凍結を保ちつつ,列車不要な態様適応のための自己進化型フレームワークである。
論文 参考訳（メタデータ） (2026-08-11T18:55:58Z) - EvolveNet: Collaborative Harness Evolution for Agent Self-Improvement [70.68218215070745]
既存のアプローチでは、すべての実行エクスペリエンスを単一のハーネスにルーティングできると仮定している。
EvolveNetは、経験抽出をデータに移動させるハーネス進化のパラダイムである。
論文 参考訳（メタデータ） (2026-08-05T15:37:18Z) - Evolutionary Ensemble of Agents [7.465452178698495]
EvEは、分散化されたフレームワークであり、アルゴリズム発見のためのライブで共進化するシステムにコーディングエージェントを編成する。
2つの共進化する人口を維持することで、EvEはエージェントを同期レースを通じて評価し、経験的Elo格付けを更新する。
固定初期エージェントや凍結した「ベスト進化」エージェントによって駆動される変種と比較して、EvEは位相ミスマッチを独自に回避する。
論文 参考訳（メタデータ） (2026-05-09T15:56:10Z) - GenAgent: Scaling Text-to-Image Generation via Agentic Multimodal Reasoning [54.42973725693]
我々は,エージェント型マルチモーダルモデルを用いて,視覚的理解と生成を統一したGenAgentを導入する。
GenAgentはGenEval++とWISEのベースジェネレータ(FLUX.1-dev)のパフォーマンスを大幅に向上させる。
本フレームワークは,1) 様々な機能を持つジェネレータへのクロスツール一般化,2) インタラクションラウンド間で一貫した改善を伴うテスト時間スケーリング,3) タスクに自動的に適応するタスク適応推論の3つの重要な特性を示す。
論文 参考訳（メタデータ） (2026-01-26T14:49:04Z) - Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。
ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。
我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
論文 参考訳（メタデータ） (2025-10-11T18:11:09Z) - Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。
私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-06-14T06:28:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。