هارنس

Enforcing Code Reasoning in Agentic Scaffold for More Effective Issue Resolution

مقاله‌ی Enforcing Code Reasoning in Agentic Scaffold for More Effective Issue Resolution (16 Oct 2026، چانگ‌شو لیو، ریحانه جباروند و همکاران، آزمایشگاه Intelligent-CAT-Lab) مسئله: ایجنت‌های کدنویسی وقتی یک باگ واقعی را در ریپو حل می‌کنند، گاهی درباره‌ی خود کد

HexaShell: A Thin Harness for Exploring the Limits of VLM Agents as Robot Coding Agents

مسئله: ایجنت‌های کدنویسی خوب یاد گرفته‌اند تستِ شکسته را بخوانند، علتش را پیدا کنند و کد را درست کنند. سؤال این مقاله این است: اگر همین ایجنت به‌جای کامپیوتر یک ربات دوبازو را کنترل کند، تا کجا جلو می‌رود و دقیقاً کجا گیر می‌کند؟ روش: هارنس عمداً «نازک» نگه دا

OfficeTown: Generative Organizations for Evolving Agent Intelligence

مقاله‌ی OfficeTown: Generative Organizations for Evolving Agent Intelligence (16 Oct 2026، مایکروسافت ریسرچ آسیا؛ Hongchen Wei، Daohong Ying و همکاران) مسئله: بیشتر بنچمارک‌های ایجنت هر کار را جدا و از صفر می‌دهند. در یک شرکت واقعی کار این‌طور پیش نمی‌رود: درخ

Self-Evolving Coding Agents via Harness-Policy Optimization

ایجنت کدنویسی که هم هارنسش را خودش بهتر می‌کند و هم مدلش را، به نوبت

کارایی یک ایجنت کدنویسی به دو چیز بستگی دارد: مدل (سیاست) و هارنس، یعنی پرامپت‌ها، ابزارها و قاعده‌هایی که تعامل مدل با محیط را شکل می‌دهند. این دو به هم وابسته‌اند. هارنسی که برای یک نسخه از مدل تنظیم شده، ممکن است ضعف‌های نسخه‌ی بعدی را هدف نگیرد؛ و مدلی که

TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents

مقاله‌ی TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents (15 Oct 2026، آرون لی و همکاران، از جمله یون استویکا، بین یو و جیان‌فنگ گائو) مسئله: ایجنت‌های کدنویسی مثل کلاد کد، کدکس و کوپایلت CLI گران شده‌اند و بخش بزرگی از این هزینه تکر

Harness-Delta Attribution: Dissecting Gains From Harness Evolution

چقدر از بهبودِ «تکامل خودکار هارنس» واقعی است و چقدر بیش‌برازش؟

تکامل هارنس یعنی پرامپت‌ها، اسکیل‌ها، ابزارها و کد هماهنگی دور یک مدل ثابت را خودکار و پشت سر هم بهینه کنی تا روی یک مجموعه‌ی جست‌وجو نمره بالاتر بگیرد، بدون آن‌که وزن‌های مدل عوض شود. سؤال این است که چه سهمی از این بهبود به خاطر جا افتادن روی همان بنچمارک است

FDE-Gym: The Last Mile of AI Delivery

بنچمارکی برای «آخرین مایل» تحویل هوش مصنوعی: کار واقعی با مشتری، نه تسک خوش‌تعریف

بنچمارک‌های ایجنت معمولاً تسک‌های خوش‌تعریف دارند: یک ایشو، یک مشخصات یا یک تیکت. اما تحویل یک سیستم به مشتری واقعی فرق دارد. مهندسی که در محل مشتری کار می‌کند باید نیازهای مبهم را روشن کند، روی سیستم زنده کار کند و محدودیت‌هایی را پیدا کند که کسی به زبان نیاو

MLExpert: Towards a Generalist Agentic Model for Autonomous Machine Learning Engineering

آموزش یک مدل ایجنتی برای مهندسی یادگیری ماشین، با پاداش دادن به «پنجره»های بین دو آزمایش

وقتی یک ایجنت خودش کار مهندسی یادگیری ماشین را انجام می‌دهد (داده آماده کند، مدل بسازد، آزمایش اجرا کند و از نتیجه یاد بگیرد)، هر آزمایش گران است و نتیجه‌اش حاصل چند تصمیم قبلی است. یک اجرای طولانی پر از این آزمایش‌های پرهزینه است. پس سخت است بفهمیم کدام تصمیم

Improving Environment-Agnostic Coding Agents: The Role of Scaffolding

آیا ایجنت کدنویسی عمومی هنوز به هارنس مخصوص هر محیط نیاز دارد؟

انتظار می‌رود مدل‌های قوی‌تر روال‌های کار را خودشان بسازند و برتری هارنس‌های دست‌ساز توسعه‌دهنده کم شود. این مقاله می‌پرسد چرا این برتری هنوز باقی است و آیا می‌شود یک ایجنت مستقل از محیط را بدون مهندسی مخصوص هر محیط بهتر کرد. نویسنده یک ایجنت مبتنی بر کدکس را

OpenGCUA: Toward a Fully Open Stack for Generalist Computer Use

یک پشته‌ی کاملاً باز برای ایجنت‌هایی که با کامپیوتر کار می‌کنند، با ترکیب کلیک و کد

ایجنت‌های کار با کامپیوتر دارند از تعامل صرفاً گرافیکی (دیدن صفحه و کلیک) به سیستم‌هایی می‌رسند که هم از رابط تصویری و هم از رابط برنامه‌نویسی استفاده می‌کنند. اما پیاده‌سازی‌های پیشرو، مثل سیستم کار با کامپیوتر GPT-6 Astra، بسته‌اند و نمی‌شود طراحی‌شان را به‌

Hy-Memory-30B-A3B: Attributed Reinforcement Learning for Long-Term Memory Writing

مدل کوچکی که فقط کارش نوشتن در حافظه‌ی بلندمدت است و در چند سیستم حافظه کار می‌کند

سیستم‌های حافظه‌ی بیرونی برنامه‌های مدل زبانی را از محدودیت پنجره‌ی کانتکست فراتر می‌برند، اما کیفیتشان به مدلی بستگی دارد که در حافظه می‌نویسد: چه چیزی نگه داشته شود، با چه دقتی و شواهد تازه چطور وضعیت قبلی را به‌روز کند. معمولاً یک مدل زبانی عمومی بزرگ با پر

Mosaic: Multi-Session Agentic Reinforcement Learning

یادگیری تقویتی برای ایجنت‌هایی که کارشان در چند سشن جدا انجام می‌شود، مثل کامپکشن یا ساب‌ایجنت

بیشتر روش‌های یادگیری تقویتی برای ایجنت‌ها فرض می‌کنند کل مسیر در یک سشن و یک کانتکست پیوسته انجام می‌شود. اما در عمل، تکنیک‌هایی مثل کامپکشن کانتکست و ساختن ساب‌ایجنت مسیر را به چند سشن تقسیم می‌کنند. روش رایج این است که پاداش کل مسیر را به همه‌ی سشن‌ها یکسان

FAOPs: Normal Forms and an Algebra for AI Agent Workflows

نظریه‌ای برای مرتب کردن روال‌های کاری ایجنت‌ها با همان نظمی که پایگاه داده دارد

سازمان‌ها روال‌های کاری‌شان را به شکل اسکیل‌های چندمرحله‌ای برای ایجنت می‌نویسند. در بخش‌های تحت نظارت مثل بانکداری، این روال‌ها باید قابل ردیابی، ممیزی، تکرار، با کنترل دسترسی و با سقف زمان و هزینه باشند. اما معمولاً فایل‌های درشتی‌اند که در آن‌ها یک قدم چند

Priming Base Models for Agentic Post-Training: An Open Midtraining Recipe

دستور باز انویدیا برای «میان‌آموزش»: آماده کردن مدل پایه برای آموزش ایجنتی

مدل‌های پیشرو حالا بین پیش‌آموزش و پس‌آموزش یک مرحله‌ی «میان‌آموزش» دارند، اما تقریباً چیزی درباره‌ی نحوه‌ی ساختنش منتشر نشده است. پیش‌آموزش معمولاً با کانتکست کوتاه انجام می‌شود و تقریباً هیچ تعامل ایجنتی نمی‌بیند. داده‌ی آموزش نظارت‌شده هم بیشتر ساختگی است،

CoWorld Reasoner: Agentic Multimodal Reasoning with the Evolving Video World Model-Driven Harness

مدل بینایی-زبانی که برای استدلال، با یک مدل جهانِ ویدئویی صحنه‌های تازه «تصور» می‌کند

از مدل‌های بینایی-زبانی انتظار می‌رود درباره‌ی حرکت، کنش و تغییر زاویه‌ی دید استدلال کنند، حتی چیزهایی که در تصویر ورودی نیست؛ مثلاً «اگر از پشت میز نگاه کنی، لیوان سمت چپ است یا راست؟». مدل‌های جهانِ ویدئویی می‌توانند تصویر یا ویدئوی تازه بسازند و شاهد بصری ا

RSIFlow: Adaptive Self-Improvement Workflows with an Evolving Meta-Agent

چارچوبی که تشخیص می‌دهد گلوگاه ایجنت کجاست و روال بهبود مناسب همان را انتخاب می‌کند

روش‌های خودبهبودی ایجنت‌ها چند نوع‌اند: بهینه کردن مدل، تکامل هارنس، یا اصلاح ساخته‌های اجرایی مثل کد ابزارها. اما گلوگاه کارایی یک ایجنت در طول زمان عوض می‌شود؛ امروز مشکل در پرامپت است و فردا در یک ابزار. چالش این است که روال بهبود با گلوگاه فعلی تطبیق پیدا

OPRD: On-Policy Reminder Distillation for Long-Horizon Coding Agents

یاد دادن به ایجنت کدنویسی که از اطلاعاتی که همین الان در کانتکستش هست استفاده کند

کدنویسی قابل اعتماد در سطح ریپو یعنی ایجنت نه فقط کد درست بنویسد، بلکه محدودیت‌ها را در طول تعامل طولانی رعایت کند و به بازخورد ابزارها واکنش نشان دهد. تحلیل نویسنده‌ها نشان داد ایجنت‌ها اغلب به اطلاعاتی که همین حالا در کانتکست دارند عمل نمی‌کنند؛ مثلاً پیام خ

CarryOn: A Dual-Loop Harness for Personalized and Reliable Robot Assistance

هارنسی دوحلقه‌ای که ربات دستیار را شخصی‌سازی‌شده و ایمن‌تر می‌کند

مدل‌های عمومی بینایی-زبان-عمل به ربات‌ها اجازه داده‌اند اشیای مختلف را در دنیای باز دست‌کاری کنند، اما دستیار رباتیک واقعی دو چیز دیگر هم لازم دارد. اول شخصی‌سازی: دستور «برایم ساندویچ درست کن» باید بر اساس ترجیح‌های همیشگی همان کاربر به قدم‌ها شکسته شود، نه ب

ToolBottleneckBench: Measuring Tool-Agent Performance under Controlled Pressures and Fixed Harness Budgets

بنچمارکی که نشان می‌دهد بخش بزرگی از شکست ایجنت‌های ابزاری از بودجه‌ی هارنس است، نه از مدل

نمره‌ی موفقیت یک ایجنت ابزاری هم به مدل بستگی دارد و هم به بودجه‌های هارنسی که اجرایش می‌کند، مثل سقف توکن خروجی یا تعداد مجاز فراخوانی. معمولاً این دو از هم جدا نمی‌شوند و شکست به گردن مدل می‌افتد. بنچمارک ToolBottleneckBench تسک‌های سازمانی ساختگی را ثابت نگ

Athanor: An Agent-Native System for Autonomous Post-Training Research

چهار ایجنت کلاد یک مدل پایه‌ی خام را خودشان پس‌آموزش دادند و به سطح نسخه‌ی رسمی رساندند

«خودبهبودی بازگشتی»، یعنی ساخته شدن سیستم‌های قوی‌تر هوش مصنوعی به دست خود هوش مصنوعی، را هنوز نمی‌شود مستقیم اندازه گرفت. نویسنده‌ها نسخه‌ی ضعیف‌تر و قابل سنجشی را بررسی می‌کنند: آیا ایجنت‌های پیشرو می‌توانند یک مدل پایه‌ی کوچک و خام را فقط با داده‌ی عمومی پس

MAI-Gym: An Open All-in-One Platform for GUI Agent Evaluation and RL Training across Mobile and Computer Environments

پلتفرم بازی برای ارزیابی و آموزش ایجنت‌های رابط گرافیکی در موبایل، کامپیوتر و وب

یادگیری تقویتی برخط با پاداش قابل بررسی، در ریاضی، کدنویسی و کار با ابزار پیشرفت سریعی آورده، اما گسترش آن به ایجنت‌های رابط گرافیکی سخت است: محیط‌های تعاملی گران‌اند و تسک‌های آموزشی واقع‌گرا کم‌اند. کارهای قبلی اپ و تسک تازه ساخته‌اند ولی نه کد آموزش را منتش

AlphaDiana: A Measurement System for Agents in Verifiable Reasoning Tasks

سیستمی برای اندازه‌گیری دقیق این‌که هارنس، ابزار، اسکیل و حافظه واقعاً به استدلال مدل کمک می‌کنند یا نه

ایجنت یعنی یک مدل استدلالی به‌علاوه‌ی هارنسی که فراخوانی‌های مدل را سازمان می‌دهد، ابزار اجرا می‌کند، دستورالعمل اسکیل‌ها را بار می‌کند و تاریخچه را در حافظه نگه می‌دارد. برای فهمیدن عملکرد ایجنت باید شرایط اجرا را به نتیجه، رفتار و مصرف منابع وصل کرد، اما معم

Harness Policy Distillation: Aligning Agent Policies with Runtime Semantics

آموزش مدل برای قواعد اجرایی هارنس، نه فقط برای اقدام‌ها

استقرار یک مدل عمومی به عنوان ایجنت یعنی اجرای آن داخل هارنس خاص یک محصول، که تعیین می‌کند کدام اقدام‌ها اجراشدنی‌اند، وضعیت چطور پیش می‌رود و حلقه کِی می‌تواند تمام شود. نظارت معمولی روی مسیرها نشان می‌دهد کدام اقدام انجام شده، ولی قواعد اجرایی پشت آن را پنها

A Strong Harness Narrows the Model Gap: A Comparative Evaluation for Legislative Document-to-XML Conversion

هارنس قوی فاصله‌ی مدل‌ها را کم می‌کند: تبدیل قانون‌های ایالتی آمریکا به XML دقیق

بازتولید محتوای حقوقی باید دقیقاً با منبع یکی باشد: سلسله‌مراتب بخش‌ها، متن عینی، ارجاع‌ها و بازه‌ی اصلاحیه‌ها. یک ارجاع جاافتاده یا اصلاحیه‌ی غلط‌برچسب‌خورده مستقیم به محصولاتی می‌رسد که وکیل‌ها به آن‌ها تکیه می‌کنند. نویسنده‌ها یک خط لوله‌ی صنعتی را که قانون

RuleTrek: Benchmarking Agentic Rule Reasoning in Complex Scenarios

بنچمارکی برای سنجیدن این‌که ایجنت‌ها قاعده‌های تخصصی را در سناریوهای پراکنده در چند فایل درست پیدا و اعمال می‌کنند

مدل‌های زبانی بیشتر و بیشتر سراغ کارهای واقعی در حوزه‌های تخصصی می‌روند، اما پیدا کردن و درست اعمال کردن قاعده‌های آن حوزه وقتی اطلاعات سناریو در چند فایل پخش شده سخت است. مثلاً برای این‌که بفهمی یک کارمند مرخصی تشویقی می‌گیرد یا نه، باید آیین‌نامه، سابقه‌ی کا

L3M: A Verifiable Harness and Runtime for Self-Extending and Self-Improving Agents

هارنس و محیط اجرایی قابل تأیید به زبان Lean ۴، که برگشت‌پذیری را مبنای کنار گذاشتن انسان از حلقه می‌کند

کار مفید ایجنت‌ها در طول ساعت‌ها و روزها، از راه ابزارها، بین ایجنت‌های متعدد و انسان‌ها، و بیشتر با کدی که خود ایجنت‌ها می‌نویسند انجام می‌شود. از سه شرکت‌کننده‌ی این محاسبه، یعنی انسان، مدل و کد، فقط توجه انسان مقیاس‌پذیر نیست؛ پس محاسبه فقط وقتی بزرگ می‌شود

Agentic Self-Awareness: Aligning Knowing, Acting, and Holding

خودآگاهی ایجنت: تشخیص این‌که تسک شدنی نیست، درست عمل کردن بر اساسش، و پای حرفش ماندن

ایجنت‌های پیشرو در محیط‌هایی کار می‌کنند که تسکی که حل‌شدنی به نظر می‌رسد، ممکن است پیش‌نیازی نداشته باشد، خواسته‌های متناقض داشته باشد یا مانعش فقط وسط اجرا معلوم شود؛ مثلاً فایلی که باید ویرایش شود اصلاً وجود ندارد. ایجنت باید فرق بگذارد بین «این تسک شدنی نی

CLASHarness: Benchmarking Multi-Agent Conflict in Computer Use via a Controllable and Verifiable Generation Pipeline

بنچمارک تعارض بین ایجنت‌ها در کار با کامپیوتر: ساب‌ایجنت‌هایی که گزارش کهنه یا دستور متناقض می‌دهند

مدل‌های بینایی-زبان در سیستم‌های چندایجنتی برای خودکارسازی کار با کامپیوتر به کار می‌روند، اما بنچمارک‌ها بیشتر محیط سازگار و همکار را فرض می‌کنند. در همکاری واقعی، ایجنت‌های همکار یا ساب‌ایجنت‌ها وضعیت کهنه گزارش می‌دهند، دستور متناقض صادر می‌کنند یا سر مجوز

Self-Evolving Agent Harness

چارچوبی نظری برای هارنسی که خودش را بهتر می‌کند، و شرط‌هایی که این بهبود را قابل اعتماد نگه می‌دارد

خودتکاملی هارنس یعنی اسکلت نرم‌افزاری ایجنت، شامل پرامپت‌ها، حافظه، روال‌ها و اجزای اجرایی، بازنویسی شود در حالی که وزن‌های مدل ثابت می‌ماند. اما وقتی بازنویسی‌های پذیرفته‌شده از یک اجرا به اجرای بعد می‌مانند، این سؤال پیش می‌آید که از کجا بدانیم یک بازنویسی و

Knowledge Graphs as Files: An Agent Harness Where Tool Creation and Tool Use Co-Evolve

گراف دانش به شکل فایل: ایجنتی که ابزارهای جست‌وجوی گراف را خودش می‌نویسد و در طول کار بهترشان می‌کند

جست‌وجو در گراف‌های دانش پرمتن یعنی هم دنبال کردن رابطه‌ها و هم بررسی شواهد متنی؛ مثلاً «مقاله‌هایی از نویسندگان دانشگاه X درباره‌ی موضوع Y که به مقاله‌ی Z ارجاع داده‌اند». رابط‌های ازپیش‌تعریف‌شده‌ی گراف، دسترسی ایجنت به شواهد را محدود می‌کنند، حتی وقتی ایجنت

TextualRL: Textual Reinforcement Learning for Context Management

یادگیری تقویتی متنی: بهبود کانتکست ایجنت با مقایسه‌ی گروهی اجراهای موفق و ناموفق، بدون گرادیان

ایجنت‌ها می‌توانند با بازنویسی کانتکست متنی‌ای که رفتارشان را هدایت می‌کند، بدون تغییر پارامترها به بازخورد تسک واکنش نشان دهند. اما تبدیل پاداش اجرا به به‌روزرسانی قابل استفاده‌ی دوباره سخت است: یک مسیر تنها شواهد مقایسه‌ای کمی درباره‌ی این‌که چه چیزی باید عو

AM-Bench: Understanding Agents under Task Underspecification across Models and Harnesses

ایجنت‌ها با تسک‌های مبهم یا ناقص چه می‌کنند؟ بنچمارکی روی ترکیب‌های مختلف مدل و هارنس

تعریف مبهم یا ناقص تسک هم اجرا را برای ایجنت سخت می‌کند و هم پرسیدن سؤال روشن‌کننده را. اما واکنش ایجنت‌ها به این شکاف‌های اطلاعاتی در مدل‌ها و هارنس‌های مختلف به‌خوبی شناخته نشده است؛ مثلاً اگر کاربر نگوید خروجی باید با چه قالبی ذخیره شود، ایجنت می‌پرسد، حدس

Instructions Are Evidence, Not Objectives: Measuring Outcome Alignment of Agents

دستور کاربر شاهد است، نه هدف: ایجنت باید نیازهای واقعی کار را از محیط بفهمد

ایجنت‌ها دستورهای پیچیده را دنبال می‌کنند، اما دستور اولیه در عمل اغلب ناقص است. نویسنده‌ها در تحلیل ۱۰۰ مسیر کاربر-ایجنت از SWE-chat دیدند ۵۶ درصد دستورهای اولیه نیازهایی را جا انداخته‌اند که بعداً لازم شده، و ۵۲ درصد نیازهای مفید بعدی را می‌شد از خود پروژه ف

StateHarness: Maintaining Evolving Project State for Long-Horizon Coding Agents

نگه‌داشتن وضعیت در حال تحول پروژه برای ایجنت‌های کدنویسی طولانی‌مدت، بدون آموزش مدل

کدنویسی طولانی‌مدت نیاز دارد ایجنت تصویری در حال تحول از پروژه نگه دارد: الان چه مسئله‌ای حل می‌شود، چه چیزی یاد گرفته یا تغییر داده شده، کدام فایل‌های دیگر ممکن است متأثر شوند و چه کاری مانده است. وقتی این اطلاعات در تاریخچه‌ی رو به رشد پراکنده است، ویرایش‌ها

Scaling Inference-Time Compute with Teams of Coding Agents

تیم ایجنت‌های کدنویسی: بودجه‌ی اضافه را کجا خرج کنیم؟ بیشتر روی برنامه‌ریزی

سیستم‌های چندایجنتی محور تازه‌ای برای بزرگ کردن محاسبه در زمان اجرا پیشنهاد می‌کنند: به جای این‌که یک ایجنت بیشتر فکر کند یا بیشتر تلاش کند، کار بین چند ایجنت موازی تقسیم می‌شود. اما در عمل، ایجنت‌های بیشتر به راحتی کار تکراری، شکست هماهنگی و هزینه‌ی بیشتر می‌

RetryBench: Separating Retry Permission from Recovery Outcomes in GPT Tool Use

اجازه‌ی تکرار با بازیابی موفق فرق دارد: ایجنت‌ها گاهی فراخوانی ابزار را بی‌پشتوانه تکرار می‌کنند

وقتی فراخوانی یک ابزار به مهلت زمانی می‌خورد، ایجنت باید تصمیم بگیرد آن را دوباره بفرستد یا نه. اگر قرارداد ابزار اجازه‌ی تکرار امن را ندهد، تکرار می‌تواند کار را دو بار انجام دهد؛ مثلاً یک پرداخت دو بار ثبت شود. نویسنده‌ها این خطا را «اجازه‌ی تکرار نادرست» می

ANTE: Anticipate, Then Execute -- Learning Internal World Models for Coding Agents from Verified Beliefs

ایجنت کدنویسی که پیش از هر اقدام نتیجه‌اش را پیش‌بینی می‌کند و از درستیِ پیش‌بینی‌اش پاداش می‌گیرد

بیشتر ایجنت‌های کدنویسی پیش‌بینی نمی‌کنند هر اقدامشان چه نتیجه‌ای دارد. پاداش پایانی هم شکست را به قدم مشخصی نسبت نمی‌دهد، پس یک ویرایش اشتباه می‌تواند پیش از رسیدن هر سیگنالی وضعیت ریپو را خراب کند؛ مثلاً ویرایشی که تست هدف را پاس می‌کند ولی تستی را که قبلاً

PANINI-DR: Controlled Deep Research through Generative Semantic Workspaces

پژوهش عمیق کنترل‌شده با یک فضای کاری معنایی مشترک و ایجنت تأییدکننده‌ی جدا

پژوهش عمیق نیاز دارد چند قدم جست‌وجو، استدلال و محاسبه به هم وصل شوند و یافته‌های میانی مسیر بررسی بعدی را تعیین کنند. با بزرگ شدن پژوهش، ایجنت باید وضعیت پژوهش را بین فراخوانی‌های مدل نگه دارد و یافته‌ها را پیش از این‌که خطا به کار بعدی منتقل شود بررسی کند. ه

Frustratingly Easy Agentic RAG via Portable Skills: A Case Study in Customer Support

بازیابی ایجنتی با یک اسکیل قابل حمل به جای خط لوله‌ی پیچیده: مطالعه‌ی موردی پشتیبانی مشتری Airbnb

خودکارسازی کار سازمانی معمولاً نیاز دارد مجموعه‌ی کامل و دقیقی از اطلاعات مرتبط از اسناد عملیاتی بزرگ بازیابی شود. در پشتیبانی مشتری، متخصص باید برای هر پرونده ترتیب درست قدم‌های حل را از روی اسناد سیاستی پیدا کند. رسیدن به این دقت در تولید معمولاً خط لوله‌ی پ

Harness^2: Recursive Agent Harnessing for an Open World

هارنس‌سازی بازگشتی برای جهان باز: بهبود هارنس ایجنت بدون تأییدکننده‌ی مرجع

توانایی ایجنت‌ها نه فقط به مدل بلکه به هارنس اجرایی‌شان هم بستگی دارد، و خودبهبودی بازگشتی راهی برای تکامل خودکار این هارنس‌هاست. اما در جهان باز دو چالش هست: تسک‌ها در زمان طراحی هارنس دیده نشده‌اند و تأییدکننده‌ی مرجعی برای هدایت ویرایش‌های آنلاین هارنس ندار

ClawLoop: Self-Improving Agents via Harness-Native Training Loop

حلقه‌ی خودبهبودی برای ایجنت‌های هارنس، بدون مدل معلم بیرونی

ایجنت‌های مدل زبانی امروز در هارنس‌های عمومی کار می‌کنند و مستقیم با فایل‌ها و شل سروکار دارند. خط لوله‌های پس‌آموزش این ایجنت‌ها کم‌اند و بیشترشان یک‌باره و وابسته به معلم‌اند: یک مدل قوی‌تر بیرونی تسک و مسیر می‌سازد، مدل هدف یک بار آموزش می‌بیند و نتیجه‌ی ار

Returning to Development States: When Full Sandbox Snapshots Help Coding Agents

بازگشت به وضعیت‌های توسعه: اسنپ‌شات کامل سندباکس کِی به ایجنت‌های کدنویسی کمک می‌کند

ایجنت‌های کدنویسی اغلب پیش از شکست پیشرفت مفیدی دارند، اما تلاش دوباره از صفر وضعیت ماشینی را که در طول کار ساخته شده دور می‌ریزد. پس بازیابی از شکست یک مسئله‌ی جست‌وجوی جالب است: اگر وضعیت‌های میانی محیط پیشرفت معنادار را حفظ کنند، بازگرداندن و انشعاب از آن‌ه

(When) Should a Software Factory be Lights-off? Benchmarking Code Review Agents on Bug Detection

آیا کارخانه‌ی نرم‌افزار می‌تواند بدون ناظر انسانی کار کند؟ سنجش ایجنت‌های بازبینی کد در یافتن باگ

با پیشرفت ایجنت‌های کدنویسی، برنامه‌نویس‌ها بیشتر وقتشان را صرف بازبینی کد می‌کنند تا نوشتن آن. چون سرعت بازبینی انسان از تولید کد عقب افتاده، وسوسه‌ی ساختن ایجنت‌های بازبینی خودکار و «کارخانه‌ی چراغ‌خاموش» بدون نظارت انسانی وجود دارد. سؤال این است که این ایده

Humanize Olympiad Agents: A Multi-Session Workflow for Olympiad Problem Solving with Solve, Review, Wiki, Verify

چارچوب باز چندجلسه‌ای برای حل مسئله‌های المپیاد با حل، بازبینی، ویکی و تأیید

ایجنت‌های مدل زبانی در کارهای علمی و المپیادی طولانی سریع بهتر می‌شوند، اما سیستم‌های برجسته نه مدل و نه پشته‌ی کامل استنتاجشان را منتشر می‌کنند. یک جلسه‌ی ایجنتی تنها هم روی مسئله‌های سخت شکننده است: خطاهای اولیه منتشر می‌شوند، دانش حوزه‌ی کم پیشرفت را متوقف

Humanize MLE Agents: Multi-Agent Session Alternation Beyond Single-Agent Limits

جلسه‌های متناوب دو ایجنت با ریست کانتکست، فراتر از حد یک ایجنت تنها در مهندسی یادگیری ماشین

روش‌های ایجنتی برای مهندسی یادگیری ماشین طولانی‌مدت معمولاً از مهندسی کانتکست با هارنس‌های سفارشی برای مدیریت ابزار، اسکیل و تجربه استفاده می‌کنند. نویسنده‌ها دو پدیده دیدند: با طولانی شدن یک جلسه، شدت استدلال ایجنت همراه با کند شدن پیشرفت کم می‌شود («کند شدن

Proactive Agentic Orchestration

هماهنگ‌سازی پیشگیرانه: ساب‌ایجنت‌هایی که هر وقت لازم شد از هماهنگ‌کننده تغییر هارنس می‌خواهند

هماهنگ‌سازی ایجنتی تسک‌ها را به ساب‌ایجنت‌هایی با کانتکست مستقل می‌سپارد و راه اصلی گسترش افق اجرای ایجنت‌هاست. اما روش‌های موجود هدف و هارنس ساب‌ایجنت را در زمان ساخت ثابت می‌کنند، که سازگاری با محیط پویا را محدود می‌کند؛ مثلاً ساب‌ایجنتی که فهمیده ابزار لازم

ProgramGym: Scaling Training Environments for Long-Horizon Program Reproduction Agents

ساخت ۱۶۴۸ محیط آموزشی برای ایجنت‌هایی که برنامه را از صفر بازتولید می‌کنند

ایجنت‌های کدنویسی بیشتر برای ساختن برنامه از صفر، مثل یک مهندس نرم‌افزار، به کار می‌روند، نه فقط رفع مسئله در یک ریپو. اما محیط‌های آموزشی قابل تأیید و مقیاس‌پذیر که ایجنت را وادار کنند خودش بفهمد چه چیزی لازم است و سیستم را چطور طراحی کند کم‌اند، و گردش‌کارها

Locate, Judge, Read: Role-Specialized Tool Agents over a Knowledge-Point Index for Open-Domain Multimodal Document QA

پیدا کن، داوری کن، بخوان: ایجنت‌های ابزاری با نقش‌های جدا برای پرسش و پاسخ روی اسناد چندوجهی

پرسش و پاسخ روی مجموعه‌های بزرگ و ناهمگون اسناد اول نیاز دارد بخش‌های درست پیدا شوند و بعد خوانده شوند، اما ایجنت‌های بازیابی فعلی هر دو نوع ابزار را به یک مدل می‌دهند و می‌گذارند خودش زمان‌بندی کند؛ نتیجه این است که مدل اغلب به جای خواندن، مدام جست‌وجو می‌کند

LongHarness: Advancing Agentic Reasoning over 100M-Token Corpora via Stateful Evidence Management

هارنس استدلال روی مجموعه‌های ۱۰۰ میلیون توکنی با مدیریت صریح وضعیت شواهد و نتیجه‌ها

استدلال روی مجموعه‌های سند بزرگ‌تر از پنجره‌ی کانتکست نیاز دارد ایجنت شواهد را از اسناد زیادی جمع و ترکیب کند. هارنس‌های موجود دسترسی تدریجی می‌دهند، اما شواهد جمع‌شده و نتیجه‌های در حال تحول در تاریخچه‌ی رو به رشد تعامل در هم می‌پیچند. این مدیریت ضمنی وضعیت د

Evo$^2$: Evolving the Evolver through Weight-Harness Co-Evolution

تکامل تکامل‌دهنده: هم‌تکاملی وزن‌های مدل و هارنس ایجنت در خودبهبودی

ایجنت‌های خودتکامل برای بهتر کردن سیستم‌های مدل زبانی بدون دخالت انسان یا وزن‌ها را به‌روز می‌کنند یا هارنس را. روش‌های موجود این دو را جدا دنبال می‌کنند: بعضی وزن‌ها را با تجربه‌ی خودساخته آموزش می‌دهند، بعضی هارنسی را که تعیین می‌کند ایجنت چطور از پرامپت، اب

SEEDS: Preview-Guided Evidence Admission for Search Agents

ایجنت جست‌وجو اول پیش‌نمایش نتیجه‌ها را ببیند و بعد تصمیم بگیرد کدام وارد استدلالش شود

ایجنت‌های جست‌وجو معمولاً بازیابی شاهد را با مصرف آن یکی می‌گیرند و سندهای بازیابی‌شده را با قاعده‌ی ثابت یا بر اساس رتبه وارد کانتکست می‌کنند. اما ارزش یک سند به وضعیت فعلی استدلال بستگی دارد: سندی با رتبه‌ی پایین ممکن است برای قدم فعلی حیاتی باشد و سندی با ر

Reward Hacking as a Transmissible Strategy in Multi-Agent Coding Systems

هک پاداش به عنوان یک راهبرد مسری در سیستم‌های چندایجنتی کدنویسی

سیستم‌های چندایجنتی با هماهنگی ایجنت‌هایی که کد و برنامه را به اشتراک می‌گذارند تسک‌های کدنویسی را حل می‌کنند و اغلب با یادگیری تقویتی و ارزیاب خودکار بهینه می‌شوند. دور زدن ارزیاب می‌تواند بدون راه‌حل واقعی پاداش بگیرد؛ مثلاً کدی که تست را دستکاری می‌کند تا ه

Recurrent Harness for Agentic Continual Learning

هارنس بازگشتی برای یادگیری پیوسته‌ی ایجنت: بازخورد هر نمونه بازتاب‌های قبلی را هم اصلاح می‌کند

ایجنت‌های مدل زبانی بیشتر روی جریان‌های طولانی تعامل کار می‌کنند و باید با یادگیری پیوسته به‌طور آنلاین با تغییر توزیع سازگار شوند. هارنس‌های موجود یا وضعیتشان را فقط با جریان رو به جلوی اطلاعات تکامل می‌دهند یا برای بهینه‌سازی به داده‌ی بازپخش یا اعتبارسنجی ا

Reflective Prompt Optimization of a Deep-Research Agent: A Topic-Disjoint, Multi-Seed Protocol for Measuring Transferable Gains and Prompt-Level Overfitting

بهینه‌سازی بازتابی پرامپت یک ایجنت پژوهش عمیق: پروتکلی برای جدا کردن بهبود قابل انتقال از حفظ کردن

بهینه‌سازی پرامپت جایگزین جذابی برای یادگیری تقویتی در تطبیق ایجنت‌هاست، چون ارزان است و خروجی خوانا می‌دهد. اما در تسک‌های واقعیت‌محور یک خطر دارد: بهینه‌سازی که نمونه‌های آموزشی را می‌خواند می‌تواند پاسخ‌هایشان را در پرامپت بنویسد، پس بهبود درون توزیع ممکن ا

SpireBench: Evaluating Long-Horizon Strategic Play of Agentic Models with Slay the Spire

بنچمارک اسپایر: سنجش بازی راهبردی بلندمدت ایجنت‌ها با بازی کامل Slay the Spire

مدل‌های زبانی ایجنتی کارهای پیچیده انجام می‌دهند، اما استدلال راهبردی در افق بلند کم بررسی شده است: بیشتر بنچمارک‌ها کوتاه و اپیزودی‌اند و کارایی در تسک‌های طولانی را نمی‌شود به دانش ذخیره‌شده، استدلال و شانس تفکیک کرد. بنچمارک SpireBench مدل‌ها را وادار می‌کن

ARC: A Reasoning Recipe for Robot Foundation Models

آرک: دستورالعمل استدلال برای مدل‌های پایه‌ی رباتیک که بدون داده‌ی رباتیک تازه کارایی را جهشی بالا می‌برد

رویکرد رایج برای بهتر کردن مدل‌های پایه‌ی رباتیک، مدل بزرگ‌تر، نمایش‌های رباتیک بیشتر و آموزش پرهزینه در مقیاس بالاست. جمع کردن نمایش رباتیک گران و کند است، پس سؤال این است که آیا می‌شود کارایی بدون آموزش ربات‌های موجود را بدون داده‌ی تازه بالا برد. دستورالعمل

HarnessSQL: Harness-Native Training for SQL Agents in Realistic Database Environments

هارنس‌اس‌کیوال: آموزش ایجنت‌های پایگاه داده درون همان هارنسی که در استقرار با آن کار می‌کنند

مدل‌های تبدیل متن به SQL معمولاً آموزش می‌بینند که پرسش را مستقیم به یک کوئری ایستا تبدیل کنند، اما ایجنت‌های واقعی پایگاه داده با تعامل چندنوبتی و وضعیت‌دار با پایگاه داده‌ی زنده کار می‌کنند: شِما را بررسی می‌کنند، کوئری آزمایشی اجرا می‌کنند، خطا را تشخیص می‌

SuperNav: An Agentic Navigation System for Any Task in Any Scene

سوپرنو: سیستم ناوبری ایجنتی برای هر تسک در هر صحنه، بدون تنظیم دقیق مدل برای ناوبری

ربات‌های خدماتی همه‌منظوره به ناوبری نیاز دارند که درخواست‌های متنوع انسانی را در محیط‌های ناآشنا انجام دهد، مثلاً «برایم یک لیوان آب بیاور» در خانه‌ای که ربات ندیده است. بعضی روش‌ها مدل‌های زبانی چندوجهی را برای پیش‌بینی اقدام ناوبری تنظیم دقیق می‌کنند، که رف

EvoAlloc: A Self-Evolving Resource Allocation Agent for Efficient Program Evolution

ایوآلوک: ایجنت خودتکامل تخصیص منابع که ارزیابی‌های گران را در تکامل برنامه هدفمند خرج می‌کند

تکامل برنامه با مدل زبانی برای هدایت جست‌وجوی تکراری به بازخورد ارزیابی متکی است، اما ارزیابی اغلب از نظر محاسباتی گران است، پس باید منابع محدود به نامزدهایی برسد که جست‌وجو را بیشتر پیش می‌برند. روش‌های موجود در کل جست‌وجو یک راهبرد ثابت تخصیص دارند و ممکن اس

Memento 3: Model-Based Recursive Self-Improvement through Reflective Rulebooks

ممنتو ۳: خودبهبودی بازگشتی مدل‌محور با دفترچه‌ی قاعده‌ی بازتابی که به کد اجرایی کامپایل می‌شود

عمل در محیط ناآشنا نیاز دارد ایجنت بفهمد جهان چطور کار می‌کند و با شواهد تازه این فهم را اصلاح کند. اما مشاهده‌های محدود می‌توانند از چند مدل جهان پشتیبانی کنند که گذشته را توضیح می‌دهند ولی در وضعیت‌های دیده‌نشده پیش‌بینی متفاوت دارند. سیستم Memento ۳ به ایجن

Harness Evolution Hits a Ceiling: When Weight Training Should Begin

تکامل هارنس به سقف می‌رسد: کِی باید آموزش وزن‌ها شروع شود

برای بهتر کردن یک ایجنت بلندمدت دو راه هست: تکامل هارنس دور یک مدل منجمد یا آموزش وزن‌ها. معلوم نیست کدام سود را مدل آموزش‌دیده نگه می‌دارد و کدام هنوز به زمان اجرا نیاز دارد، و کِی باید از یکی به دیگری رفت. نویسنده‌ها ابتدا یک هارنس خودتکامل را گذاشتند سیستم

Incremental Open-Ended Deep Research with Structured Harness

پژوهش عمیق باز افزایشی با هارنس ساختاریافته: به‌روزرسانی گزارش به جای نوشتن از صفر

سیستم‌های پژوهش عمیق باز عمدتاً گزارش را از صفر تولید می‌کنند، که برای گزارش‌هایی که باید با رسیدن اطلاعات تازه پیوسته نگه‌داری شوند ناکارآمد است. مثلاً گزارشی درباره‌ی بازار خودروهای برقی هر ماه باید به‌روز شود، اما بازنویسی کامل هر بار هزینه دارد و بخش‌های م

Safe, Persistent, and Evolving Agent Harness for Understanding Partially Observable Worlds

هارنس ایمن، پایدار و تکامل‌پذیر برای فهم جهان‌های با مشاهده‌ی ناقص در گردش‌کارهای سازمانی

ایجنت‌های مدل زبانی ابزارها را روان فرامی‌خوانند، اما گردش‌کارهای سازمانی بیش از انتخاب ابزار درست می‌خواهند: اقدام‌ها باید دقیقاً با سیاست‌های سازمان سازگار باشند، بازخورد ابزار اغلب اثرهای جانبی پنهان دارد و تسک‌های طولانی به پیگیری پایدار وضعیت چند رکورد نی

Harness Compilation: Which Decisions Should a Small Vision-Language Model Keep?

کامپایل هارنس: یک مدل بینایی‌زبان کوچک کدام تصمیم‌ها را باید خودش نگه دارد؟

مدل‌های بینایی‌زبان کوچک ممکن است بتوانند شواهد بیرونی را بخوانند اما در به دست آوردنش مشکل دارند؛ مثلاً اگر متن مرتبط به آن‌ها داده شود درست پاسخ می‌دهند، ولی نوشتن یک پرسش جست‌وجوی خوب برایشان سخت است. پس تقسیم کار بین مدل و هارنس بیرونی اهمیت دارد. کامپایل

On the Clock: Towards Punctual and Productive Time-Budgeted AI Agents

سر وقت: به سوی ایجنت‌هایی که بودجه‌ی زمانی را هم رعایت کنند و هم از آن بهره‌ی مفید ببرند

سؤال این است که آیا ایجنت‌های کوچک می‌توانند زیر بودجه‌ی صریح زمان واقعی کار کنند، یعنی هم زمان تخصیص‌یافته را رعایت کنند و هم از زمان موجود برای بهتر کردن نتیجه استفاده کنند. مثلاً ایجنتی که ۱۵ دقیقه برای یک مسابقه‌ی یادگیری ماشین وقت دارد، نباید پس از ۲ دقیق

The Harness as the Only Mutable Surface: Compliance-Bounded Self-Evolution of LLM Agents in Credit Pipelines, with a Measured Admission Gate

هارنس به عنوان تنها سطح قابل تغییر: خودتکاملی محدود به انطباق برای ایجنت‌های فرایند اعتباری، با دروازه‌ی پذیرش اندازه‌گیری‌شده

ایجنت‌های خودبهبود می‌توانند یک فرایند اعتباری را با قاعده‌ی تغییرکرده تطبیق دهند، اما ایجنتی که خودش را بازنویسی می‌کند آنچه یک ناظر بازبینی می‌کند را از بین می‌برد: یک تغییر نام‌دار، یک تست ثبت‌شده و یک تأیید. در وام‌دهی تنظیم‌شده، تغییری که نشود بازبینی‌اش

CoTrace: Data Recipes for Training Terminal Agents with Harness-Model Co-Evolution

کوتریس: دستورالعمل داده برای آموزش ایجنت‌های ترمینال با هم‌تکاملی هارنس و مدل

توانایی ایجنت ترمینال هم به وزن‌های مدل بستگی دارد و هم به هارنسی که پرامپت را قالب‌بندی، ابزارها را متصل و خطاها را بازیابی می‌کند. روش‌های هم‌تکاملی هر دو را بهتر می‌کنند، اما مسیرهای تولیدشده در جست‌وجوی هارنس را اغلب یک بافر بازپخش یکپارچه می‌بینند و نادید

RobotWorld: Benchmarking Multimodal Agents for Robot Use Across Diverse Tasks and Embodiments

ربات‌ورلد: سنجش ایجنت‌های چندوجهی در به‌کارگیری ربات در تسک‌ها و بدنه‌های متنوع

ایجنت‌های همه‌منظوره بیش از پیش کد می‌نویسند، از ابزار استفاده می‌کنند و کارهای دیجیتال پیچیده انجام می‌دهند. سؤال این است که این توانایی‌ها تا کجا به دنیای فیزیکی منتقل می‌شوند، یعنی آیا ایجنت می‌تواند دستور و مشاهده را از طریق رابط‌های ربات به اجرای فیزیکی ت

AgentTime: Can Agents Estimate and Control Their Own Runtime?

ایجنت‌تایم: آیا ایجنت‌ها می‌توانند زمان اجرای خودشان را تخمین بزنند و کنترل کنند؟

یکی از کنترل‌های اساسی ایجنت‌ها توانایی مدیریت زمان اجراست، که نیاز به آگاهی زمانی دارد: پیش‌بینی و تخمین زمان واقعی و کنترل اقدام‌های خود. کارهای قبلی روی آگاهی زمانی تمرکز داشته‌اند، اما پیروی از مدت درخواستی و کنترل در هارنس‌های بومی ایجنت بررسی نشده است؛ م

EMHO: EMbodied Agent Harness Optimization via Experience Traces

بهینه‌سازی هارنس ایجنت بدن‌مند از روی ردپاهای تجربه، با مدل منجمد

بهبود ایجنت‌های بدن‌مند معمولاً روی آموزش مدل زیربنایی تمرکز دارد، در حالی که هارنس پیرامونی که برنامه‌ریزی، کانتکست و استفاده از ابزار را کنترل می‌کند معمولاً دستی مهندسی می‌شود. سؤال این است که آیا هارنس می‌تواند مستقیم از ردپاهای تجربه و با بازخورد پراکنده‌

Learn2Play Bench: How Well Do LLM Agents Learn from Experience in Unfamiliar Environments?

بنچمارک یادبگیر و بازی کن: ایجنت‌ها در محیط‌های ناآشنا چقدر خوب از تجربه یاد می‌گیرند؟

یادگیری از تجربه برای سازگاری ایجنت‌ها با محیط‌های ناآشنا و پویا ضروری است. بنچمارک‌های موجود عمدتاً تسک‌هایی را می‌سنجند که قاعده‌هایشان در دستور آمده یا برای مدل پیش‌آموزش‌دیده آشناست، پس نمی‌شود یادگیری از تعامل را از استدلال با دانش موجود جدا کرد؛ مثلاً ای

Harness Engineering for Software Engineering via Modular Executable Dev-Primitives

هرمس: مهندسی هارنس برای مهندسی نرم‌افزار با اجزای توسعه‌ی ماژولار و اجرایی

ایجنت‌های با دسترسی ترمینال در خودکارسازی مهندسی نرم‌افزار توانمندند، اما در گردش‌کارهای طولانی شکننده‌اند: باید وضعیت برنامه را که در فایل‌های منبع، پیکربندی، تست، وابستگی و رفتار زمان اجرا پخش است بارها بازسازی کنند، که به تاریخچه‌های طولانی، انفجار کانتکست

ServeLearnBench: How Well Can Agents Self-Improve from Serving Experience?

بنچمارک یادگیری از سرویس‌دهی: ایجنت‌ها چقدر می‌توانند از تجربه‌ی استقرار خودشان بهتر شوند؟

دانش لازم برای رفتار درست ایجنت در محیط‌های واقعی اغلب ضمنی، اعلام‌نشده و در حال تغییر است؛ مثلاً یک فروشگاه سیاست بازگشت کالا را بی‌اعلام عوض می‌کند. هارنس‌های یادگیری پیوسته می‌خواهند ایجنت از تجربه‌ی سرویس‌دهی بهتر شود، اما اثربخشی و محدودیت‌هایشان مشخص نیس

Stateless Language Agents: Scaling Long-Horizon Automated Research

ایجنت‌های زبانی بی‌وضعیت: مقیاس دادن پژوهش خودکار بلندمدت با نگه داشتن وضعیت در هارنس

سیستم‌های پژوهش خودکار ایجنت‌ها را در افق‌های طولانی اجرا می‌کنند، اما استنتاج بیشتر به خودی خود پیشرفت بیشتر نمی‌آورد: ایجنت‌ها تاریخچه‌ی رو به رشد را تکرار می‌کنند، کار همدیگر را دوباره انجام می‌دهند یا آزمایش را متوقف می‌کنند در حالی که مصرف توکن ادامه دارد

What Did the Agent Actually Do? Evidence-Grounded Oversight for Long-Horizon Agents

ایجنت واقعاً چه کرد؟ نظارت مبتنی بر شواهد برای ایجنت‌های بلندمدت

با سپردن تسک‌های طولانی به ایجنت‌ها، کاربران از تصمیم‌گیری تک‌تک به نظارت بر اجرای مستقل می‌رسند. اما حجم فعالیت ایجنت و پراکندگی شواهد پشتیبان تشخیص این‌که کدام تصمیم‌ها ارزش تأیید کاربر را دارند سخت می‌کند؛ مثلاً ایجنت در میان صدها گام بی‌صدا یک نسخه‌ی کتابخ

Harness-Search: Guiding Long-Horizon Search through Multi-Agent Coordination

هارنس‌سرچ: هدایت جست‌وجوی بلندمدت با هماهنگی چندایجنتی پیشنهاد، ثبت و ممیزی

جست‌وجوی بلندمدت نیاز دارد ایجنت شواهد را در چند گام جمع و به پاسخ مستند تبدیل کند. با رشد تاریخچه، یک ایجنت واحد ممکن است گیر کند، پرسش‌های حل‌نشده را گم کند، شواهد مفید را نادیده بگیرد یا پیش از جمع شدن پشتیبانی کافی متوقف شود. هارنس چندایجنتی Harness-Search

MESH-Harness: Self-Improving Agent Harnesses via Bandit-Guided Compositional Evolution

مش‌هارنس: هارنس‌های خودبهبود با تکامل ترکیبی ماژول‌ها به هدایت الگوریتم راهزن

هارنس ایجنت کدی است که کانتکست را سازمان می‌دهد، وضعیت را نگه می‌دارد و فراخوانی ابزارها را هماهنگ می‌کند. سؤال این است که چطور می‌شود هارنس را با بودجه‌ی ارزیابی محدود و وزن‌های ثابت مدل بهتر کرد، وقتی فضای ترکیب‌های ممکن بسیار بزرگ است. روش MESH-Harness هر ه

Causal Improvement Graph for Agentic Harness Optimization

گراف بهبود علّی برای بهینه‌سازی هارنس ایجنت: بیرون بردن وضعیت بهبود از ذهن پیشنهاددهنده

هارنس ایجنت زمان اجرایی است که کانتکست تسک را می‌سازد و جریان اجرا را کنترل می‌کند. روش‌های متاهارنس موجود عمدتاً پیشنهاددهنده‌محورند: یک مدل زبانی یافته‌های آزمایشی انباشته را یکجا می‌کند تا بازنگری بعدی را تعیین کند. این کار بار نگه داشتن وضعیت بهبود را با ر

What Does a Harness Buy? Tokens, Mostly

هارنس چه می‌خرد؟ بیشتر توکن: سنجش اثر هارنس با مدل ثابت در SWE-bench

ایجنت کدنویسی یک مدل زبانی است که در هارنس پیچیده شده: پرامپت سیستمی، مجموعه‌ی ابزار و مدیریت کانتکست. هارنس‌های تولیدی هر روز نسخه می‌دهند، فروشنده‌ها از بهبود نرخ پاس با تغییر هارنس می‌گویند و جدول‌های رتبه‌بندی هارنس‌ها را آزادانه قاطی می‌کنند. اما به ندرت

SHarP: Saliency-based Pruning of Agent Harnesses

شارپ: هرس هارنس‌های ایجنت بر اساس برجستگی ماژول‌ها

هارنس‌های ایجنت برای رفع نیازها و شکست‌ها معمولاً با افزودن و وصله کردن دستورها، ابزارها و گردش‌کارها مرحله به مرحله پیچیده‌تر می‌شوند. معلوم نیست برخی از ماژول‌های حاصل زائد هستند یا نه، یعنی سربار توکن زیادی بدون بهبود محسوس اضافه می‌کنند. روش SHarP با الهام

Dynamic Harness Search: Building Multi-Agent Systems Per-Query via Prediction

جست‌وجوی پویای هارنس: ساخت سیستم چندایجنتی برای هر پرسش با پیش‌بینی به جای اجرا

هارنس ایجنت نقش‌ها، دستورها، ابزارها و ساختار ارتباطی را مشخص می‌کند و هارنس مناسب به پرسش بستگی دارد. چون ارزش هر انتخاب طراحی فقط با اجرا معلوم می‌شود، تطبیق هارنس با هر پرسش تا کنون یا به اجرای گزینه‌های مختلف در زمان استنتاج نیاز داشته یا به طراحی دستی پره

CUAWright: A Minimal Unified Interface for Digital Agents

کوآرایت: رابط یکپارچه‌ی کمینه برای ایجنت‌های دیجیتال بر پایه‌ی ترمینال و فایل‌سیستم

رویکرد رایج برای ایجنت‌های استفاده از کامپیوتر، مدل را با هارنسی ویژه‌ی دامنه جفت می‌کند: محیط مرورگر یا دسکتاپ با ابزارهای مهندسی‌شده‌ی ثابت. با بهتر شدن توان کدنویسی مدل‌ها، این هارنس ایستا و مبتنی بر رابط گرافیکی جلوی عملیات برنامه‌ای مستقیم روی وضعیت سیستم

Scaling Trajectories for Complex Tasks through Recursive Self-Rewrite

مقیاس دادن مسیرها برای تسک‌های پیچیده با بازنویسی بازگشتی خودی

مسیرهای موفق روی تسک‌های دشوار نظارت ارزشمندی برای بهبود مدل‌اند، اما هارنس‌های تخصصی مداخله‌هایی دارند که ممکن است هنگام استقرار در دسترس نباشد؛ مثلاً ابزاری ویژه یا راهنمایی‌ای که فقط در یک هارنس هست. آموزش مستقیم روی چنین مسیرهایی مدل را به قراردادهای آن ها

VERSE: Verified Self-Evolving Optimizer for Agent Harnesses

ورس: بهینه‌ساز خودتکامل تأییدشده برای هارنس‌های ایجنت

تکامل هارنس پرامپت‌ها، ابزارها و گردش‌کار یک ایجنت را بهتر می‌کند، اما ابزارها و رویه‌های خود بهینه‌ساز معمولاً ثابت می‌مانند. سؤال این است که آیا بهینه‌ساز با بهتر کردن نحوه‌ی تشخیص شکست، ساخت ویرایش و آزمودن اثرشان، ایجنت دیگر را مؤثرتر بهبود می‌دهد یا نه. د

GUI-HARVEST: Self-Improving GUI Agents through Evidence-Driven Harness Evolution

جی‌یوآی‌هاروست: ایجنت‌های رابط گرافیکی خودبهبود با تکامل هارنس بر پایه‌ی شواهد

هارنس اجرایی اطراف یک مدل رابط گرافیکی تعیین می‌کند مشاهده‌ها چطور جمع شوند، کنش‌ها چطور اجرا شوند و تأیید، بازیابی و پایان چطور کنترل شوند. بهینه‌سازی خودکار این هارنس سه چالش به هم پیوسته دارد: تطبیق نیت مدل با اثر بصری مشاهده‌شده، تشخیص شکست زیر نتایج متغیر

Finding the Right Fit: Model-Harness Interactions across Agent Tasks

پیدا کردن جفت مناسب: تعامل مدل و هارنس در تسک‌های ایجنتی

انتخاب یک سیستم ایجنتی یعنی انتخاب هم مدل زبانی و هم هارنسی که مدل از طریق آن عمل می‌کند. سؤال این است که آیا یک مدل، هارنس یا جفت قوی وقتی شرایط عوض می‌شود قوی می‌ماند یا نه. نویسنده‌ها ۶۶ پیکربندی را ارزیابی کردند: چهار هارنس قابل پیکربندی، یعنی OpenHands، D

ActiveSaddler: Automated Curriculum Learning for Agent Harness Optimization

اکتیوسدلر: یادگیری برنامه‌ی درسی خودکار برای بهینه‌سازی هارنس ایجنت

بهینه‌سازی خودکار هارنس می‌تواند ایجنت‌ها را با به‌روزرسانی مکرر پرامپت‌ها، رابط ابزارها و منطق کنترل از بازخورد اجرا بهتر کند. اما روش‌های موجود عمدتاً نحوه‌ی به‌روزرسانی را بهینه می‌کنند و این را ثابت می‌گذارند که کدام سناریوهای آموزشی بازخورد را تولید می‌کن

Initialization Improves LLM-Driven Discovery

مقداردهی اولیه کشف مبتنی بر مدل زبانی را بهتر می‌کند

مدل‌های زبانی با هارنس‌هایی که آن‌ها را برای بهینه‌سازی مکرر یک هدف پرامپت می‌کنند، برای کشف الگوریتم، قضیه، دارو و کارهای دیگر به کار رفته‌اند. اما رابطه‌ی جمعیت تکرارهای قبلی با موفقیت نهایی کشف روشن نیست، و معلوم نیست چرا یک اجرا به نتیجه‌ی خوب می‌رسد و اجر

Turbo Harness: Instance-Adaptive Harness Optimization

توربوهارنس: بهینه‌سازی هارنس متناسب با هر نمونه

خودکارسازی جست‌وجوی هارنس مؤثر گامی مهم به سوی خودبهبودی بازگشتی ایجنت‌هاست. روش‌های موجود معمولاً یک هارنس سراسری واحد می‌سازند که یکسان روی همه‌ی نمونه‌های تسک اعمال می‌شود، اما هارنسی که در میانگین خوب است برای هر نمونه بهینه نیست. چارچوب Turbo Harness مصنو

How Much of a Harness Does a Strong Agent Need for Autonomous ML Engineering?

یک ایجنت قوی برای مهندسی یادگیری ماشین خودکار چقدر هارنس لازم دارد؟

ایجنت‌های خودکار مهندسی یادگیری ماشین در جدول‌های عمومی پیشرفت زیادی کرده‌اند و معمولاً روی ماشین‌آلات روزبه‌روز پیچیده‌تری مستقر می‌شوند: هماهنگ‌کننده‌های چندایجنتی، زیرایجنت‌های بازیابی اختصاصی و غیره. در مقابل، ایجنت‌های کدنویسی ساده‌تر اما بهتر‌شده که مدل

Learning from Research: Toward Lifelong Agent Harness Evolution

یادگیری از پژوهش: به سوی تکامل مادام‌العمر هارنس ایجنت با کمک مقاله‌های جدید

یک رویکرد امیدوارکننده برای بهبود پیوسته‌ی ایجنت‌ها تکامل هارنس با مدل ثابت است. روش‌های اخیر این کار را با یک ایجنت کدنویسی متا انجام می‌دهند که هارنس را بر اساس بازخورد اجرا تغییر می‌دهد، اما تکیه بر دانش موجود آن ایجنت و شکست‌های مشاهده‌شده کاوش را محدود و

Scale and Selection: What Makes Automatic Harness Evolution Work for Visual-Interface Robot Agents

مقیاس و انتخاب: چه چیزی تکامل خودکار هارنس را برای ایجنت‌های رباتیک با رابط بصری کارآمد می‌کند

وقتی یک ایجنت کدنویسی آماده مستقیم به عنوان سیاست ربات به کار می‌رود، یعنی یک رابط سه‌بعدی مرورگری را با اسکرین‌شات می‌بیند و با چند ابزار یک گیره‌ی مجازی هدف را جابه‌جا می‌کند، هارنس آن، یعنی پرامپت‌ها، ابزارها و قاعده‌های کنترل، تا حد زیادی موفقیت را تعیین م

RoboHarness: A Simple Harness Outperforms VLA and World Action Models

خلاصه‌ی فارسی هنوز نوشته نشده است.

Video-RSI: Recursive Self-Improvement of Video Understanding Agents via Harness Evolution

ویدیو-آراس‌آی: خودبهبودی بازگشتی ایجنت‌های فهم ویدیو با تکامل هارنس

ایجنت‌های فهم ویدیو شواهد را از طریق یک هارنس اجرایی به دست می‌آورند که تعیین می‌کند چه ببینند و چطور از دیده‌ها استفاده کنند. اما ردپاهای اجرا فقط شواهد هارنس فعلی را دارند، پس توضیح‌های رقیب برای شکست حل‌نشده می‌مانند؛ مثلاً معلوم نیست ایجنت چون فریم مهم را

StateTape: Action-Conditioned Evidence Lifecycle Modeling for Long-Horizon Coding Agents

استیت‌تیپ: مدل‌سازی چرخه‌ی عمر شواهد مشروط به کنش برای ایجنت‌های کدنویسی بلندمدت

اجرای ایجنت‌های کدنویسی در افق‌های طولانی سخت است، چون هر مشاهده به کانتکست افزوده می‌شود. راه رایج نگهداری مبتنی بر تاریخچه است که مشاهده‌های قدیمی را پنهان یا خلاصه یا هرس می‌کند، اما فقط از روی متن تاریخچه تصمیم می‌گیرد و چیزی از ارتباط کد نمی‌بیند. چون ایج

Beyond the Model: Demystifying Harness Effects in Software Engineering Agents

فراتر از مدل: رمزگشایی اثر هارنس در ایجنت‌های مهندسی نرم‌افزار

کارایی ایجنت‌های مهندسی نرم‌افزار فقط به مدل پایه بستگی ندارد و هارنس شکل می‌دهد ایجنت چطور با مخزن تعامل کند، کنش اجرا کند و راه‌حل را بسنجد. اما نقش طراحی هارنس، به‌ویژه بین مدل‌ها، تسک‌ها و اجزای مختلف هارنس، به اندازه‌ی کافی فهمیده نشده است. نویسنده‌ها دو

SCLATE: a Substrate for Continual-Learning Agent Training and Evaluation

اسکلیت: بستری برای آموزش و ارزیابی ایجنت‌های یادگیری پیوسته در افق‌های چندجلسه‌ای

ایجنت‌های یادگیری پیوسته سیستم‌هایی از مدل، هارنس و حافظه‌اند که در افق‌های طولانی چندجلسه‌ای کار می‌کنند. ارزیابی و آموزششان نیاز دارد تسک‌ها با رویدادهای سمت ایجنت مثل توقف و شروع جلسه، کارهای زمان‌بندی‌شده و یکپارچه‌سازی حافظه درهم اجرا شوند. اما بنچمارک‌ها

Harness as a Language: A Minimalist Agent Framework With Maximal Expressivity

هارنس به عنوان زبان: چارچوب ایجنت کمینه با بیشترین بیان‌پذیری

ایجنت‌های امروزی حول حلقه‌ی ایجنت ساخته می‌شوند: مدل در محیطی با مجموعه‌ای از ابزارها قرار می‌گیرد و با تناوب فراخوانی ابزار و مشاهده‌ی خروجی، کنترل کامل گردش‌کار را دارد. اما توانایی‌هایی مثل حافظه‌ی بلندمدت و خودبهبودی فعلاً به سیستم‌های تخصصی فراتر از خود ح

CliffCompaction: Cost-Efficient Compaction for Long-Horizon Coding Agents

کلیف‌کامپکشن: فشرده‌سازی کم‌هزینه برای ایجنت‌های کدنویسی بلندمدت

ایجنت‌ها اغلب روی مسائل پیچیده‌ای کار می‌کنند که میلیون‌ها توکن کانتکست لازم دارند و به دلیل پنجره‌ی کانتکست محدود باید بین جلسه‌ها فشرده‌سازی کنند. فشرده‌سازی‌هایی که محتوا را بازنویسی می‌کنند ممکن است با هر دور اطلاعات را تحریف کنند و رانش کانتکست انباشته شو

Harness-Zero: Harness Distillation via Agent-as-Harness

هارنس-زیرو: تقطیر هارنس در وزن مدل با استفاده از ایجنت به عنوان هارنس

هارنس‌های ایجنت می‌توانند کارایی را بسیار بالا ببرند، اما سودشان به هارنس در زمان استقرار وابسته می‌ماند. چون بهترین هارنس بین حوزه‌ها، نمونه‌ها و مدل‌ها فرق می‌کند، یک ایجنت عمومی یا باید به یک هارنس مشترک نابهینه بسنده کند یا بین تعداد رو به رشدی از هارنس‌ها

DolphinBench: Mapping the Pareto Frontier of Agent Memory

دلفین‌بنچ: ترسیم مرز پارتوی حافظه‌ی ایجنت با سنجش دقت، هزینه و تأخیر

ایجنت‌ها امروز کنش‌های واقعی انجام می‌دهند که به حافظه‌ی بلندمدت و یادآوری کانتکست وابسته است. اما بیشتر بنچمارک‌های حافظه در قالب پرسش و پاسخ گفت‌وگویی ساخته شده‌اند، جایی که خود پرسش نشان می‌دهد باید چیزی بازیابی شود و اغلب کدام چیز. همچنین بنچمارک‌ها به ندر

An Empirical Study of Harness Design for Coding Agents

مطالعه‌ی تجربی طراحی هارنس برای ایجنت‌های کدنویسی: کدام جزء واقعاً مهم است؟

هارنس‌های کدنویسی شکل می‌دهند ایجنت‌ها چطور توانایی مدل را به کارایی بلندمدت مهندسی نرم‌افزار تبدیل کنند، اما کارهای موجود معمولاً هارنس‌ها را سیستم‌های یکپارچه ارزیابی می‌کنند و اثربخشی تک‌تک اجزا نامعلوم می‌ماند. نویسنده‌ها یک هارنس کدنویسی سبک با حلقه‌ی اجر

Multi-Harness Reinforcement Learning for Coding Agents: Training Gains and Harness Dependence

یادگیری تقویتی چندهارنسی برای ایجنت‌های کدنویسی: سود آموزش در برابر وابستگی به هارنس

سیستم‌های اخیر ایجنت‌های کدنویسی را با یادگیری تقویتی روی مسیرهای جمع‌آوری‌شده از چند هارنس اجرا آموزش می‌دهند. اما بهبود زیر هارنس‌های آموزشی این پرسش را باز می‌گذارد که آیا به رابط‌های دیده‌نشده منتقل می‌شود و چطور به نرمال‌سازی پاداش وابسته است. نویسنده‌ها

Memory as Infrastructure: Reliability Engineering for Persistent Agent Memory in Months-Long LLM-Assisted Development

حافظه به عنوان زیرساخت: مهندسی قابلیت اطمینان برای حافظه‌ی پایدار ایجنت در توسعه‌ی چندماهه

ایجنت‌های کدنویسی از مقیاس تسک به مقیاس پروژه می‌روند: تلاش‌هایی که ماه‌ها طول می‌کشند، از فشرده‌سازی‌های مکرر کانتکست می‌گذرند و روی کدبیس‌هایی بسیار بزرگ‌تر از هر پنجره‌ی کانتکست کار می‌کنند. در این مقیاس، حافظه‌ی ایجنت می‌تواند بی‌صدا خراب شود و کسی متوجه ن

Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses

رکوریس: تکامل بازگشتی حافظه‌ی تجربی و کاری برای هارنس‌های ایجنت بلندمدت

خودبهبودی بازگشتی در تسک‌های بلندمدت سخت است، چون تاریخچه‌ی رو به رشد وضعیت تسک را مبهم می‌کند و فراخوانی مهارت‌ها را نابجا می‌کند؛ مثلاً ایجنت مهارتی را که برای دستور اولیه مناسب بود، بعد از عوض شدن وضعیت هم دوباره فرا می‌خواند. معماری Recuris دو حافظه را جفت

Delivery, Not Storage: Cue-Anchored Working Memory as a Harness Property for Coding Agents

تحویل، نه ذخیره: حافظه‌ی کاری لنگرشده به نشانه به عنوان ویژگی هارنس برای ایجنت‌های کدنویسی

ایجنت‌های کدنویسی فقط یک نوع حافظه دارند: اسناد. فایل‌های دستورالعمل، مصنوعات برنامه و پوشه‌های حافظه‌ی خودنوشته آگاهانه نوشته و آگاهانه بازیابی می‌شوند و ایجنت باید خودش تصمیم بگیرد بنویسد و بخواند. اما تخصص انسانی روی لایه‌ی دومی هم کار می‌کند که هرگز نوشته

Who&When Pro: Can LLMs Really Attribute Failures in AI Agents?

هو اند وِن پرو: آیا مدل‌های زبانی واقعاً می‌توانند شکست ایجنت‌ها را به علتش نسبت دهند؟

نسبت‌دهی خودکار شکست از مدل‌های زبانی استفاده می‌کند تا مشخص کند سیستم‌های ایجنتی کجا و چرا شکست می‌خورند. با تواناتر شدن ایجنت‌ها، شکست‌هایشان ظریف‌تر و نسبت‌دهی خودکار مهم‌تر می‌شود، اما برای سنجش این توانایی به برچسب‌های طلایی دقیق در مقیاس بزرگ نیاز است. ب

Measuring Harness-Induced Belief Divergence in Multi-Step LLM Agents

سنجش واگرایی باور ناشی از هارنس در ایجنت‌های چندمرحله‌ای

هارنس اجرا تعیین می‌کند مدل چطور محیط را ببیند، روی آن عمل کند و نتیجه را بسنجد. نویسنده‌ها نشان می‌دهند هارنس می‌تواند باورهای در حال تحول ایجنت درباره‌ی محیط را هم شکل دهد، حتی وقتی تسک، محیط و مدل پایه ثابت‌اند؛ مثلاً هارنسی که خروجی تست را کوتاه می‌کند ممک