type
Post
status
Published
date
Nov 20, 2026
slug
summary
tags
category
技术分享
icon
password
开源项目 Agnes Harness:通过双系统决策与自进化机制,将 Agent 执行成本降至 1/27
在人工智能代理(Agent)走向产业落地的进程中,高昂的执行成本与缺乏经验沉淀是两个核心痛点。传统软件逻辑中,开发成本占大头,适配成本低;而在 Agent 时代,模型调用成本极高,且 Agent 往往缺乏跨任务的记忆能力,导致在重复任务中效率低下。开源系统 Agnes Harness 针对这一现状,提出了一套结合“双系统决策”与“双层自进化”的解决方案,旨在提升 Agent 在物理世界和复杂业务流程中的适应能力。
双系统决策机制:平衡速度与成本
Agnes Harness 引入了类似人类认知的双系统决策机制,以优化大语言模型(LLM)的资源分配。在传统的 Agent 架构中,无论任务复杂度如何,往往都依赖完整的 LLM 调用,导致简单高频操作也被赋予了不必要的计算开销。
该系统将决策层分为 System 1 和 System 2:
* System 2(大语言模型):负责处理需要复杂推理、逻辑规划的高难度任务。
* System 1(Agnes Sys1.0):一个基于 9B 参数模型训练的轻量级决策模型,通过插件接入系统。它专门处理高频且明确的操作性判断,如工具调用选择、执行等待判断等。
根据 Agnes Harness 报告的数据,在模拟家庭漏水处理任务中,Agnes Sys1.0 完成下一步判断的平均耗时仅为 0.53 秒,而大语言模型平均需要 7.6 秒,速度提升了约 14.3 倍。在成本方面,基于行李房测试(100 次判断),在线大语言模型的单次调用成本约为 0.00247 美元,而 Agnes Sys1.0 仅为 0.000091 美元,约为前者的 1/27。
此外,在机器狗室内寻路任务中,采用“大模型 + Agnes Sys1.0”的组合策略,相比每一步都调用大模型的方式,整体任务耗时缩短了 32.9%。这种分工机制使得 Agent 在保持智能水平的同时,显著降低了运行延迟和费用。
双层自进化:解决经验遗忘问题
Agent 在适应新任务时,常面临“培训成本高”和“经验无法保留”的困境。Agnes Harness 通过测试时训练(TTT)和递归自我改进(RSI)两层机制,实现了经验的快速适应与长期沉淀。
测试时训练(TTT):快速适应新任务
当 Agent 面对未见过的设备或流程时,无需重新训练整个模型。Agnes Sys1.0 通过 TTT 机制,在部署前进行“突击补课”。它会分析新任务,生成带有标准答案的练习题,并仅微调模型末端负责校准判断的小组参数。关键在于,这一过程具有“即学即用、用完即清”的特性:任务完成后,参数恢复原样,避免不同设备间的学习经验相互干扰,确保模型在动态环境中的稳定性。
递归自我改进(RSI):长期经验沉淀
RSI 机制负责 Agent 的长期进化。每次任务执行结束后,系统会对整个过程进行复盘,识别报错频繁点或耗时瓶颈,并调整 Prompt、Memory、Skills 及 Subagent 的配合方式。如果发现更优方法,将在当前任务中验证,确认有效后封装为版本化的 Playbook(操作手册),供后续任务复用。
在复杂设备入库验收测试中,Agent 首次执行因操作顺序不当耗时 30 分钟并超时。RSI 记录该失败案例后,在第二次执行中直接应用修正后的流程,耗时缩短至 8 分钟以内。这种“试错-验证-固化”的闭环,使 Agent 具备了持续积累操作经验的能力。
连接物理世界:插件化架构与 MHS 标准
为了让 Agent 走出屏幕,控制物理设备,Agnes Harness 采用插件化架构与模型硬件标准(MHS)。
* 插件化接入:业务工具、模型适配器、工作流及 Skills 均可封装为插件。已有业务系统可通过 MCP(Model Context Protocol)直接接入。开发者只需部署 Node.js 24.10+ 和 pnpm 10.34.5 即可在本地运行,无需额外 GPU 支持云端模型 API 调用。
* MHS 硬件标准:针对机械臂、传感器等物理设备,Agnes Harness 定义了统一的“报家门”格式。设备接入后需声明当前状态、可执行动作及返回数据。任务调度由 Agnes Harness 统一规划,而实时控制与物理安全仍由设备控制器负责,确保安全性。
官方提供的火星救援 Demo 展示了该架构的潜力:Agent 协调搜索设备、机器人和气闸系统,完成寻找宇航员并安全返回的多设备协作任务。目前,MHS 正以官方插件形式集成到 Agnes Harness 新版本中。
总结
Agnes Harness 通过开源(Apache 2.0 许可证)的方式,提供了一套完整的 Agent 增强框架。其核心在于通过 Sys1 双系统决策降低推理成本,通过 TTT 与 RSI 实现经验的快速适应与长期复用,并通过 MHS 标准打通软件与硬件的壁垒。对于需要降低 AI 落地成本、提升多设备协作效率的团队而言,该系统提供了一个值得参考的技术路径。
原文出处:量子位,https://www.qbitai.com/2026/11/511582.html
- 作者:数字Baby
- 链接:myaigc.top/article/41eb7c2d-0e98-811a-b1ec-de22102f8231
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议,转载请注明出处。



