像谷歌云人工智能研究院这样的团队，通过这篇名为 EnvHarness 的论文，开始在环境层面引入“Harness”的概念。
在传统的基准测试中，任务和规则通常是固定的。一旦智能体能力增强，原有环境很快就会失去训练价值，而且很难持续生成针对其当前薄弱环节的新挑战。
EnvHarness 在现有环境之上添加了一个可编程组件，通过改变初始状态、交互规则或组合多个任务，动态生成更适合当前智能体的训练环境。
更重要的是，它保留了原有环境的逻辑和验证器，因此您无需再为“这个新生成的任务是否有正确答案？”而烦恼。
配套的 EnvRigger 会观察智能体的成功和失败轨迹，识别具体的弱点，然后自动生成针对性环境，并运行新的测试来验证效果。
实验涵盖五个基准测试：ALFWorld、WebArena、SWE-bench Verified、OfficeQA 和 SpreadsheetBench。在学习了 EnvHarness 生成的环境后，保留任务的性能提升最为显著，达到 9 分，执行步骤减少了 9.8%；用于强化学习时，性能提升最高可达 6.5 分。
本文最有价值的部分在于，它为智能体自进化机制增添了一个新的层次：
智能体可以从环境中学习，而环境也可以根据智能体暴露出的弱点不断演化。
未来，持续演化的系统将同时维持两个循环：智能体不断增强，而训练它的环境也随之演化。
📎 arxiv: