在本文中，作者提出了 HarnessNet，一个用于多智能体系统（MAS）层次化 harness 演化的框架。框架的基本单元称为 Agentron，包含可演化的前向 harness、冻结的基础模型以及只能观察并修改该 harness 的本地优化器。多个 Agentron 通过有向层级图相连，环境反馈沿图的逆向传播，上游优化器只接收下游层的节点专属反馈。这样将全局联合演化拆解为若干上下文更小、工作负载更轻的子任务，同时保持对内部状态和原始轨迹的访问局限，实现了局部隐私保护。实验在 AgentBench 上使用多种基础模型进行，结果表明 HarnessNet 在性能提升上与单一全局优化器相当，却显著降低了每次调用的 token 消耗和时间。迁移实验进一步显示，演化得到的 harness 在更换基础模型后仍保持协同效果，具备跨模型的可迁移性。
点评