↑

Agnes Harness 开源:9B 决策模型把 Agent 单次判断成本压到约 1/27

PromptTree|阅读 1
2026/11/21 07:36
Agnes Harness智能体决策模型开源
Agnes Harness 开源:9B 决策模型把 Agent 单次判断成本压到约 1/27
开源项目 Agnes Harness 以 Apache 2.0 协议发布,GitHub 已获 2.1k Star。其设计把 Agent 决策拆成 System 2 大语言模型与 9B 的 System 1 决策模型:模拟家庭漏水任务中,大模型判断下一步平均 7.6 秒,Agnes Sys1.0 为 0.53 秒;行李房称重任务中单次判断成本分别约 0.00247 美元与 0.000091 美元。系统还叠加测试时训练与递归自我改进两层机制。官方自评覆盖 9 项基准,其中 6 项取得对照组第一,尚未有第三方复现结果。

企业上智能体,最扎心的一笔账不是模型不够强,而是适配太贵。一位独立前沿部署工程师的估算是:过去做一套企业软件,开发花 90 块,给每家客户适配花 10 块;AI 把开发成本压到 1 块,那 10 块的适配费却纹丝不动。

适配为什么贵?因为要让 AI 把每家客户的业务流程、工具系统和现场设备重新认一遍。而多数 Agent 还被困在浏览器和终端里:写代码时表现出色,Benchmark 分数漂亮,一旦要它去指挥车间传送带、读取工业称重台、操作机械臂完成装配,就变成「这个我没见过,你得重新教我」。更糟的是记忆——同一个场景里第 100 次执行犯的错,和第 1 次几乎一样,token 一轮没少烧,经验一点没留下。

Agnes Harness 就是冲着这两个问题来的。它采用 Apache 2.0 许可证、允许商用,目前 GitHub 上有 2.1k Star。核心设计有两块:Sys1 双系统决策,以及 TTT 与 RSI 组成的双层自进化。

第一块:把思考和判断拆开。 复杂推理交给大语言模型,也就是 System 2;高频且明确的操作交给专门训练的 9B 决策模型 System 1,即 Agnes Sys1.0。后者以插件形式接入,专门判断下一步该做什么:调用哪个工具、继续等待还是立即执行、拿不准时要不要请大模型出场。

官方报告的对比数据是:模拟家庭漏水任务中,同样判断下一步,大模型平均要 7.6 秒,Agnes Sys1.0 只需 0.53 秒,约 14.3 倍;另一组行李房任务(物品称重、竖直摆放、暂存)各执行 100 次判断,在线大模型单次调用成本约 0.00247 美元,Agnes Sys1.0 约 0.000091 美元,约为前者的 1/27。

速度优势的来源不是「小模型更快」这么简单。Sys1 把输入组织成当前状态、判断规则与候选选项,通过注意力结构改造与决策任务训练,直接输出各选项的概率分布,省掉逐字生成再解析的环节。同一份任务材料可以在多个问题间共享前缀计算,各问题用独立后缀判断,块双向注意力让问题与全部候选选项共同参与表示计算。

第二块:让经验留下来。 TTT(Test-Time Training,测试时训练)解决「没见过怎么办」:模型先读新任务,自己构建带标准答案的辅助练习题,做少量参数更新以适应当前现场的格式与语境。关键细节是更新范围只限末端 RMSNorm 缩放参数,不改变下一请求的基线状态,任务结束就恢复原样——这样做是为了避免今天操作 A 设备、明天操作 B 设备时,学到的调整互相打架。

RSI(Recursive Self-Improvement,递归自我改进)解决「学会了能不能复用」:每次任务结束复盘执行过程,检查反复报错与耗时环节,调整 Prompt、Memory、Skills 与 Subagent 的配合方式;改进先在当前任务验证,再经仿真测试确认,最后整理成版本化 Playbook 供后续复用。

官方给的两个案例很能说明差别。复杂设备入库验收任务,第一次执行时称重台还没稳定就急着读数、操作顺序也没排明白,折腾 30 分钟超时;RSI 记下问题后,第二次按验证过的流程走,不到 8 分钟完成。简历分类测试中,单用模型准确率 37.8%,单用 Sys1 有 32 份无法归类,双系统协同后准确率 79.2%,平均每份耗时 2307 毫秒,比纯大模型方案缩短 56%。

第三块:接入真实世界。 业务工具、模型适配器、工作流、Skills 与操作界面都能封装成插件,已有系统可通过 MCP 接入;硬件侧定义了 MHS(Model Hardware Standard,模型硬件标准),设备按统一格式声明状态、可执行动作与可返回数据。职责划分写得很明确:Agnes Harness 负责任务安排,实时控制与物理安全仍由设备控制器负责。部署门槛不高,Node.js 24.10 以上加 pnpm 10.34.5,用云端模型 API 就无需配 GPU。

自评成绩要打个折看。 官方覆盖 9 项基准的阶段性自评显示:在 MHS-Benchmark、WorkBuddy Code、AGH-Benchmark、BigCodeBench-Hard V1、τ-bench text-v1、DeepPlanning 六项取得对照组最高,AppWorld-dev 与 Codex 持平。其中复杂任务规划 DeepPlanning 得分 87.07,BigCodeBench-Hard V1 通过率 40.69%。

必须讲清边界:这些数字来自官方报告与自评,原文没有披露第三方复现结果,也没有真实工厂的长期落地数据;MHS 仍在以插件形式接入新版本。合作方名单包括心玮医疗、苏环院、天创机器人、辰景光电、埃斯顿等,覆盖医疗健康、环保科技、智能制造与具身智能。

对做企业交付的团队来说,这个项目值得看的地方不是榜单,而是它对成本结构的拆解:把「每一步都问大模型」换成「多数步问小模型、少数步问大模型」,再把经验沉淀成可版本化的资产。这条路如果成立,Agent 的商业模式会从按 token 计费的消耗品,变成按交付计费的生产工具。接下来要观察的是真实客户场景里,Playbook 的复用率能到多少——那是这套设计能否兑现的核心指标。