事件概述

arXiv 上出现了一篇新论文《Harness as a Language: A Minimalist Agent Framework With Maximal Expressivity》（arXiv:2609.26891，cs.AI），提交于 2026 年 9 月 22 日，共 25 页、3 张图。作者为 Zhening Li、Joshua Liu、Mateja Vukelic、Nicole Shen、Supriya Lall、Amitayush Thakur、Alex Zhang、Omar Khattab、Jonathan Light、Armando Solar-Lezama。

论文的出发点是一个常见现象：现代语言模型 Agent 都围绕 “agent loop” 构建——LLM 置身于一个暴露若干工具的环境，通过反复调用工具并观察输出，自主控制整个工作流。但论文指出，某些工作流当前仍然需要在 agent loop 之外做额外工程，典型如记忆系统（memory systems）和自我改进系统（self-improving systems）。

作者为此构建了一个 LLM Agent 框架 JAZ，用来探究一个”几乎就是 agent loop 本身”的极简 harness，究竟能在多大程度上完成那些专用系统所要完成的任务。JAZ 只暴露一个基于 LLM 的原语 invoke，并提供一组内置 hooks，让程序员可以对流程施加约束与监控。

关键技术点

1. 把 invoke 当作语言原语

论文明确将 invoke 定义为一种语言原语（language primitive）：它代表一个函数，而该函数的”实现”在每次被调用时由 LLM 在运行时提供。这个视角是整篇论文的理论动机来源，作者称其设计是”从第一性原理出发”推导的。

2. 两条定义性质

论文称 invoke 是满足以下两条定义性质的最简单循环，是对现有 code-mode agent loop 的泛化：

  1. 可写任意可执行代码：LLM 能够编写任意可执行代码，并且代码中可以包含递归的 invoke。
  2. 所见即环境变量：LLM 能看到的一切——包括传入 invoke 的所有输入，以及它与代码环境之间的交互历史——都是代码环境中的变量。

也就是说，交互历史本身不再是藏在框架内部、只能靠特定 API 访问的隐式状态，而是被显式地暴露为可编程对象。

3. hooks 提供约束与监控

除 invoke 之外，JAZ 提供一组内置 hooks，供程序员施加约束和监控。至于 hooks 的具体种类、数量与调用语义，原文未说明。

4. 实验设置与结果

论文的核心验证方式是”做减法”：在评测 invoke 时，只使用 prompting，不手工设计工具、不额外搭建 harness、也不接入外部系统（例如记忆系统或文件系统），然后把结果与那些传统上依赖专用外部 harness 实现的工作流作对比。

论文报告的两项结果：

  • 长时程工作流（需要超出上下文窗口的召回）：在 StuLife 的 recall-heavy 部分上，JAZ invoke 比 Letta（MemGPT）高出 8%，成本只有其一半。
  • 持续自我改进（continual self-improvement）：在 AppWorld 上，JAZ invoke 比 ACE 高出 4%，成本更低。

需要注意的是，原文摘要只给出了这两组对比数字，具体的任务构造、评测指标定义、以及”8%/4%”是相对提升还是百分点差异，摘要中未说明。

对数据科学与 AI Agent 落地的意义

第一，harness 的复杂度未必等于能力。 当前 Agent 工程实践里，记忆模块、文件系统、工具集、反思/自我改进循环往往被默认当作”必需品”层层叠加。JAZ 的实验至少在两个具体场景上给出了反例：把一切可见信息统一降级为代码环境中的变量，再用递归 invoke 表达控制流，就能覆盖一部分原本属于专用系统的工作流。对预算敏感、延迟敏感的落地项目来说，”成本减半还更准”这个方向值得关注。

第二，Agent 的可观测性被重新定义了。 当交互历史成为代码环境里的普通变量，日志、审计、约束检查都可以写成普通代码，而不必依赖框架暴露的专有回调。这对生产环境中的可调试性与合规审计是很实际的收益。

第三，递归 invoke 打开了自我改进的表达空间。 AppWorld 上的自我改进对比说明，不用专门搭一套”自省—改写—重试”的系统，也能用原语级别的递归组合出类似效果。对做 Agent 编排的数据科学家而言，这提示我们应优先考虑”表达力在语言层”而非”能力在框架层”。

但也要保持谨慎：论文目前的证据集中在两个 benchmark 的两个子场景上，25 页篇幅说明细节不少，但摘要层面没有给出失败案例、稳定性分析或与更多主流框架的横向对比。极简设计的代价通常体现在易用性、生态和调试体验上，这部分原文未说明。

我的技术点评

这篇论文的价值，与其说是发布了 JAZ 这个框架，不如说是抛出了一个很好的问题：当我们说 Agent 需要”记忆系统”时，我们到底是在说它需要一块外部存储，还是只是需要一种能把历史当作值来操作的表达能力？

把 invoke 类比成语言原语，是很聪明的抽象。它把”LLM 是运行时”这件事推到了极致——函数签名先定，实现每次调用时由模型现场生成。这实际上和 code-mode agent 的思路一脉相承，但两条性质中的第二条（一切可见信息都是代码环境中的变量）才是真正关键的差异化：它把上下文管理从”框架的职责”变成了”程序的职责”。这既带来了表达力，也把责任完全推给了写代码的人。极简 harness 的”最大表达力”，本质上是把复杂度从框架转移到了用户代码里——这在评测里看不出来，但在真实工程里往往是成本所在。

另外让我在意的是评测口径。与 Letta（MemGPT）比召回、与 ACE 比持续自我改进，两个对手分别是两个细分方向的代表，选得很精准；但”8% 和成本一半”这种组合表述，需要看正文才能判断是否在同等预算下比较、是否对提示词做了调优。摘要里的数字更像是”方向性证据”而非”定论”。

总的来说，这是一篇值得精读全文的论文：它可能不会取代现有 Agent 框架，但会让很多团队重新审视自己堆叠的每一层 harness 是否真的必要。

原文链接