論文の概要: Object-Oriented Harness: Evolving Agent Harnesses through Object-Oriented Design
- arxiv url: http://arxiv.org/abs/2610.28380v1
- Date: Tue, 20 Oct 2026 15:32:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.888079
- Title: Object-Oriented Harness: Evolving Agent Harnesses through Object-Oriented Design
- Title（参考訳）: オブジェクト指向のハーネス:オブジェクト指向設計によるエージェントのハーネスの進化
- Abstract要約: Object-Oriented Harness(OO-Harness)はオブジェクト指向設計を用いて実行可能なハーネスクラスの階層を進化させるフレームワークである。
OO-Harnessは、比較したメソッドの中で最高のパフォーマンスを達成し、絶対的な改善は、ベース上で最大15%である。
- 参考スコア（独自算出の注目度）: 87.6090848775129
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agent harnesses are executable code that specifies the prompts, tools, and control flow around a language model. A single global harness can struggle with heterogeneous tasks that require different execution strategies. In this work, we introduce Object-Oriented Harness (OO-Harness), a harness optimization framework that evolves a hierarchy of executable harness classes using object-oriented design. During training, an evolution agent uses execution records to create a family of specialized harnesses, each implemented as a subclass of the base or an existing specialized harness via inheritance. At test time, a harness router uses routing lessons accumulated during training to select a specific harness for each task. Across three long-horizon benchmarks spanning business workflows, workspace tasks, and tool use, OO-Harness achieves the best performance among the compared methods, with an absolute improvement of up to 15% over the base. Extensive ablation studies examine the contributions of its core components.
- Abstract（参考訳）: エージェントハーネスは、言語モデル周りのプロンプト、ツール、制御フローを指定する実行可能なコードである。
単一のグローバルハーネスは、異なる実行戦略を必要とする異種タスクと競合する可能性がある。
本稿ではオブジェクト指向設計を用いた実行可能ハーネスクラスの階層化を進化させるハーネス最適化フレームワークであるオブジェクト指向ハーネス(OO-Harness)を紹介する。
トレーニング中、進化的エージェントは実行レコードを使用して、それぞれが継承を介してベースまたは既存の特殊ハーネスのサブクラスとして実装される特別なハーネスのファミリーを作成する。
テスト時に、ハーネスルータは、トレーニング中に蓄積されたルーティングレッスンを使用して、各タスクの特定のハーネスを選択する。
ビジネスワークフロー、ワークスペースタスク、ツール使用にまたがる3つのロングホライゾンベンチマークの中で、OO-Harnessは比較したメソッドの中で最高のパフォーマンスを達成し、ベースに対して最大15%改善します。
広範囲にわたるアブレーション研究は、その中核成分の寄与について研究している。
関連論文リスト
- SHarP: Saliency-based Pruning of Agent Harnesses [55.076331468597594]
Agentは、モデル呼び出し、ツールの使用、タスクの実行を調整することで、大規模な言語モデルが複雑なタスクを完了するのを助ける。
結果として、いくつかのハーネスモジュールが冗長であるかどうかは不明である。
ニューラルネットワークのプルーニングにインスパイアされた我々は、タスクパフォーマンスとトークンコストのバランスを改善する手段として、ハーネスプルーニングを研究した。
論文 参考訳（メタデータ） (2026-10-03T00:41:14Z) - Turbo Harness: Instance-Adaptive Harness Optimization [35.026322052540486]
Turbo Harnessは、元の最適化プロセスで生成された情報を再利用することで、各インスタンスにグローバルに最適化されたハーネスを適用することができる。
対話型エージェントタスク,ソフトウェアエンジニアリング,長期端末タスクにまたがる7つのベンチマークにおいて,Turbo Harnessが既存の最適化基準を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-09-30T17:56:09Z) - Composing Task-specific Agent Harnesses at Test Time with Reusable Primitives [30.825421849275184]
エージェントハーネスは、大規模言語モデルがどのようにコンテキストを収集し、ツールを実行し、結果を検証し、状態を保存し、終了するかを管理する。
本稿では、Harness Primitivesを導入し、アプリケーションのスコープを明確にした再利用可能なハーネス機構と、故障したタスク軌跡から抽出したコンポジション契約について紹介する。
本稿では、Harness Primitivesに基づいて、タスク情報に対して適切なプリミティブを選択し、テスト時にTask-speCific HarnessesにコンパイルするフレームワークSTITCHを提案する。
論文 参考訳（メタデータ） (2026-09-30T03:57:46Z) - Harness Learning Enables Generalizable Test-Time Adaptation [75.12882372844764]
本稿では,提案手法を学習し,提案手法を学習し,提案手法を改良するハーネス学習を提案する。
我々は、改良されたハーネスのタスクパフォーマンスを報奨として、強化学習で提案者を訓練する。
推論とマルチホップ質問応答の実験は、学習の活用によってリビジョン品質が向上し、テストタイムで適応する能力が見当たらないタスクに適応することを示した。
論文 参考訳（メタデータ） (2026-09-28T17:52:54Z) - HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness? [61.02699867449589]
評価単位をタスク出力から実行インフラストラクチャにシフトするベンチマークであるHarnessDevを紹介します。
Creationでは、エージェントは最小限のシードと少数のケースから始まり、完全な実行システムを構築する。
Evolutionでは、独自のハーネスから始まり、ベンチマークのパフォーマンス向上を目標として、下流の実行フィードバックを使用して反復的に修正する。
論文 参考訳（メタデータ） (2026-09-01T15:45:33Z) - MemoHarness: Agent Harnesses That Learn from Experience [46.167787606315585]
私たちはMemoHarnessを紹介した。MemoHarnessは適応型ハーネス最適化フレームワークで、独自の実行から学習する。
MemoHarnessは、ハーネスを6つの編集可能なコントロールディメンションに分解し、ケースごとの診断と蒸留されたグローバルパターンを二重層体験バンクに格納する。
MemoHarnessは、シェルエージェント、コードジェネレーション、分析推論ベンチマークを対象とし、私たちが比較した固定ハーネスよりも改善し、目に見えないスイートやベースモデルへの選択的移行を示す。
論文 参考訳（メタデータ） (2026-07-14T21:22:18Z) - Code as Agent Harness [107.31925305395957]
新興のエージェントシステムでは、コードはもはや単なる目標出力ではない。
コードはエージェントの推論、行動、環境モデリング、実行ベースの検証のための運用上の基盤としてますます役立っている。
この調査は、実行可能、検証可能、ステートフルなAIエージェントシステムに向けた統一されたロードマップを提供する。
論文 参考訳（メタデータ） (2026-05-18T17:59:03Z) - I3: Intent-Introspective Retrieval Conditioned on Instructions [83.91776238599824]
I3は,タスク固有の訓練を使わずに,インストラクションに条件付けられた様々なタスクに対して,インテント・イントロスペクティブ検索を行う統合検索システムである。
I3は、特定の検索意図を理解するために、パラメータ分離された方法でプラグ可能なイントロスペクタを組み込む。
LLM生成データを利用してI3フェーズ・バイ・フェイズを訓練し、プログレッシブ・ストラクチャー・プルーニングとドローバック・ベースのデータリファインメントという2つの重要な設計を具現化した。
論文 参考訳（メタデータ） (2023-08-19T14:17:57Z) - Reinforcement Learning Agent Training with Goals for Real World Tasks [3.747737951407512]
強化学習(RL)は、様々な制御、最適化、シーケンシャルな意思決定タスクを解決するための有望なアプローチである。
複雑な制御および最適化タスクのための仕様言語(Inkling Goal Specification)を提案する。
提案手法は現実世界のタスクを多種多様なタスクで指定するのに非常に容易であることを示す実験のセットを含む。
論文 参考訳（メタデータ） (2021-07-21T23:21:16Z)
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。