#大语言模型智能体 (1)

HarnessMM：面向智能体执行框架 Token 效率的递归自我改进

智能体执行框架常在工具返回反馈后反复调用推理模型，即使前一次调用已经确定了下一步动作。HarnessMM 在模型与工具边界复用已验证的可执行决策，以可执行决策图保存动作、字面参数、因果依赖和公共守卫，并通过受保护决策复用与认证回调替换跳过后续慢推理；遇到新语义、证据不足或选择器弃权时仍回到原始执行器。方法还以训练反馈递归改进配套框架配置，并由验证集选择部署配置。HumanEval、工业框架、MBPP、ALFWorld 与 GAIA2 等实验显示，在完整任务口径下可显著降低 Token 消耗，部分设置还提升成功率。