与「Harness」相关的搜索结果

我是《高级战争》的死忠粉，等续作等了 20 年 现在模型的能力上来了，我就自己做了一个精神续作：《潮汐战线》，发布在 DeepSeek Harness（DSH）的 Game Store 上，代码在 GitHub 开源 你没看错：DSH 未尝不是游戏平台 网页打开就能玩，手机也行： 开源地址：

Deepseek Harness真是太难用了 我才用了半天 就发现好几处非常明显的Bug 这种半成品直接推出来 我都怀疑这个项目可能没有产品 是一群程序员自嗨的产物？🤨

این مقاله واقعاً دیوانه‌کننده‌ست! پژوهشگرهای چینی مقاله‌ای منتشر کردن با عنوانی که باید تمام سازندگان ایجنت‌های هوش مصنوعی رو به فکر فرو ببره: «پایان Harness Engineering» حرف اصلی مقاله در یک جمله‌ست: شاید دوران طراحی و کدنویسی دستی تمام اجزای اطراف مدل‌های هوش مصنوعی داره به پایان می‌رسه. بذار ساده‌تر بگم: تا امروز ما برای ساخت هر ایجنت، ابزارها، دستورالعمل‌ها، گردش کار و منطق اجرایی رو طراحی می‌کردیم؛ بعد هم همون ساختار رو ماه‌ها استفاده می‌کردیم. اما این مقاله یه ایده متفاوت داره: چرا اجازه ندیم خود سیستم، زیرساختش رو بهتر کنه؟ روش کارش جالبه: ۱. یک مدل کوچیک ۴ میلیارد پارامتری، شکست‌ها و خطاهای سیستم رو بررسی می‌کنه. ۲. برای بهتر شدن عملکرد، ۸ تغییر مختلف پیشنهاد می‌ده. ۳. هر تغییر با مجموعه‌ای از سؤالات و تست‌ها ارزیابی می‌شه. ۴. فقط تغییری باقی می‌مونه که واقعاً نتیجه بهتری گرفته باشه. نکته مهم اینه که مدل اصلی ثابت می‌مونه؛ چیزی که مدام تغییر می‌کنه، هارنس و ساختار اجرایی ایجنته. این ایده به یک مدل یا فریم‌ورک خاص محدود نیست و می‌تونه نگاه ما به ساخت ایجنت‌ها رو تغییر بده. اما بخش مهم‌تر ماجرا: نقش انسان از کدنویسی و دستکاری مداوم سیستم، به طراحی آزمون‌ها و معیارهای موفقیت منتقل می‌شه. یعنی باید دقیق بدونیم از ایجنت چی می‌خوایم و چطور بفهمیم واقعاً بهتر شده یا نه. شاید در آینده مزیت رقابتی ما این نباشه که چقدر خوب برای ایجنت‌ها کد می‌نویسیم؛ بلکه این باشه که چقدر خوب می‌تونیم عملکردشون رو بسنجیم و بهبود بدیم. خلاصه ایده مقاله در یک جمله: قبل از اینکه کد رو بنویسی، امتحانش رو طراحی کن!

Frontier coding performance at up to 20x lower cost. Introducing the world’s most cost-efficient harness: Reason Stop burning thousands on runaway agent bills. Reason outperforms top harnesses on Terminal-Bench and DeepSWE while dropping cost per task to a fraction of the frontier baseline. Comment “Reason” and we’ll send you early access + free compute credits. Try for free:

我的习惯是每个 Agent 不关闭，持续运行，频繁compact。 大的命令都是从commander中发起，小的修正直接和各个 Agent 对话。 Agent 按照领域来划分，确定好适合的Harness和模型，而不是按照任务划分。 属于手动版本的 Agent Team。

Vibe coding 越来越普遍，不少应届生大学期间几乎没亲手写过几行代码。 有没有发现一个很荒谬的现象。 现在应届生、实习生简历，到处都是精通Agent开发、熟练搭建RAG架构、基于LangChain/Harness做全栈项目这类描述。 真到面试深挖，问到向量检索底层逻辑、上下文溢出怎么处理、Agent状态机和重试机制，大多只停留在背名词的程度。 更矛盾的是，并发、数据库索引、计算机网络这些基础工程内容，一问就卡壳。 所有人都急着把自己包装成AI时代前沿开发者，却没有把最底层的工程基本功打扎实。

if you want to automerge thousands of pull requests , this is how she does it (via @poteto). 809 in june. 10,926 in october. merged prs a month that touch the grok bot team's code. i went through her posts and put the setup in one place. every pr still gets an agentic risk review plus bugbot. low- and medium-risk ones automerge. only higher-risk ones get a person. day to day, in her words, it's just grok bot and cursor projects. she used to have more cursor automations and replaced them with slack bots that have routines. she works on many streams in parallel with pstack: perf, bug fixes, agent-friendly refactors, her own skills, features, ui polish, the harness, release and observability. not from sitting in a review inbox. she's said the speed gains come from parallelizing. a single chat can take longer because of verification. she handholds it less, so she can run several large projects at once. the real setup is in the codebase and the checks around it. she treats the codebase as memory. every agent mistake needs to turn into a constraint. her team built their own framework for grok bot so some anti-patterns become hard to write at all. agents have to verify their own work. they run the app, and can sometimes model it in tla+. they produce screenshots or video that are easier to check than the whole pr. formal verification skills and ordinary run-and-debug skills work together. she calls this an inverse pyramid. push as much as you can into determinism (fuzzing, property tests, formal and runtime verification, stricter languages) instead of spinning up more agent swarms. in her oct 6 post, she tells sandcastle, a grok team bot, to cut. it runs a buildkite dry run, dms every pr author (they can object), kicks the build, and watches it. then it starts a fuzz swarm: usually 10+ agents on grok 4.7 xhigh, some directed, some chaos monkey, using their verification skills and feature map. when something is high priority, she tells sandcastle to @ mention poteto, her engineer bot, which then spins up a cursor project to triage and fix. her team ships a new stable version of the client at least once a day. that's a lot of machinery under "just grok bot and cursor projects."

Todo el mundo habla del "harness" de los agentes de IA y casi nadie explica qué es Una ingeniera de Google lo explica en 9 minutos y después arma en vivo un agente que se mejora solo. 1h35 gratis 0:00 Qué es un harness 1:40 Contexto y memoria 3:37 Herramientas y MCP 5:18 Sandbox y prompt injection 7:25 Cómo evaluar un agente 9:23 Agente que se mejora solo 1:00:04 ADK Optimize 1:10:41 Workflows con grafos Compártelo para que a todos les llegue este conocimiento