企业官网建设流程全解析

论文：EMHO: EMBODIED AGENT HARNESS OPTIMIZATION VIA EXPERIENCE TRACES，来自Korea Univ. / UW–Madison，2026 年 10 月。

一、动机

1. Harness 很重要，但一直靠人工设计。提升具身智能体，大家通常想到的是换更强的 VLM 或做训练。但即使模型冻结不动，它外面那层系统（论文称为 harness）也会明显影响效果。harness 包括规划、上下文与记忆构建、视觉工具调用、观测呈现、动作校验和失败恢复。目前这一层基本靠人手写。
2. 具身环境的反馈又少又不说明原因。编程类 agent 能拿到失败的测试、异常栈这类有诊断价值的信号，所以 Meta-Harness、Self-Harness 这类自动优化 harness 的方法可行。具身环境通常只给两种信号：
   • 动作级的合法性反馈（valid / invalid / blocked）；
   • 回合结束时的 0/1 成功信号。

一个回合有很多步，很难判断是哪一步导致了失败。

1. 现有具身自我改进方法的范围太窄。EmbodiSkill、VASO、ASPIRE、Zetta 等只改技能或恢复模块。如果问题出在进度判断、工具调度或视觉 grounding，只改技能解决不了根本原因。

论文的核心问题是：在稀疏、诊断性弱的反馈下，具身智能体能否直接从经验轨迹中改进整个 harness？

二、主要创新

1. 把整个 harness 当作优化对象（EMHO）。模型冻结，优化对象从“技能 / 恢复提示”扩大到整套 harness 的代码和提示文件，包括规划、记忆、工具编排和校验。
2. EMHO-Merge：多子任务共享一个 harness 时的增益–损失感知修复。把各子任务的经验混在一起，容易让改动之间互相冲突。论文的例子是：“遇阻先侧移”这条规则在 Base 任务上有效，却在 Long-horizon 任务中把 agent 引向障碍物。EMHO-Merge 的做法是：
   • 找出由失败变成功（增益 G）和由成功变失败（损失 L）的回合；
   • 对比这两类回合的轨迹，找出能区分“有用 / 有害”的可观测条件；
   • 据此收窄这条行为的触发条件，而不是直接丢掉它。

3. 分析发现 harness 改变的不只是失败恢复。演化后的 harness 还改变了 agent 如何监控进度、如何调度感知工具、如何把视觉观测落实到动作上。此外有两个时间上的规律：

• • 早期修改以恢复类为主，非恢复类修改出现得较晚；
  • 规则会逐步细化，而不是被替换。例如从“不要重复被阻挡的动作”，逐步变成依据阻挡方向、目标朝向和绕障距离来选择应对方式。

如图 2 所示 EMHO和EMHO- Merge之间的俘虏：

三、方法要点

优化目标：在 harness 空间中寻找 H^*^ = argmax_H {E}_e[y_e(M,H)]，其中模型 M 和环境始终固定。

内循环（采集经验）：用当前 harness H^{(i)}^ 在 search 集上执行任务。每个回合记录一条轨迹 {T}_e=(x_e,{(o_t,p_t,z_t,a_t,f_t)},y_e)，依次是任务、观测、计划、工具调用、动作、环境反馈和最终结果。

外循环（带历史的 harness 修订）：

• 优化器 {O} 的输入有三部分：
  • 当前父 harness；
  • 全部历史轨迹 E}^{(0:i)}^，包括被拒候选的轨迹；
  • harness 修改历史 {H}_{hist}，包括以往的 diff 和对应得分。
• 优化器据此找出反复出现的弱点，并对 harness 文件做有针对性的修改。
• 只有当新候选在 search 集上的成功率严格高于父 harness 时，才替换父 harness（贪心爬山）。
• 优化器提示里有一些约束：
  • 防回归：不要重复曾导致降分的结构，优先考虑删除或弱化已有规则；
  • 禁止使用 held-out 数据、模拟器隐藏状态或硬编码坐标；
  • 修改理由必须引用具体的轨迹证据。

Harness 结构（附录 A）：由四类模块组成，都是可编辑的.md和.py文件：规划、视觉与工具使用、记忆与上下文、校验与修复。

EMHO-Merge 的规则：

• 修复资格：r^{(i)}^=bb{1}[|G|>0 wedge |L|>0 wedge text{repair unused}]。也就是只有当一次修改同时带来增益和损失时，才允许做修复。
• 每个修改最多只能修复一次。
• 优化器在“修复”和“提出全新机制”之间二选一，并且必须同时引用增益样例和损失样例作为证据。

实验设置：

• 基准：EmbodiedBench 的导航和操作任务；
• 模型：Qwen3.5-9B 和 Qwen3.8-27B，同一个模型既当具身智能体也当优化器；
• 视觉工具：Depth Anything 3、SAM 3、zoom；
• 每个任务优化 10 轮，search 集和 held-out 集对半划分。

主要结果：

• 相对初始 harness 提升明显：导航最高 +23.3%，操作最高 +33.3%。
• 27B 模型在导航 held-out 集上平均 75.3，超过表中的 GPT-5（56.8）和 Claude-4.6-Sonnet（62.2）。
• 优于 Claude Opus-5 / GPT-5.6 Sol 的一次性 harness 改写，也优于只改技能（skill-only）的做法。
• 消融：完整 EMHO 76.7，去掉经验轨迹 70.0，去掉修改历史 66.7，只给分数 63.3。说明这两类历史信息互补。

四、存在的问题与局限

1. 过拟合 search 集（作者自己承认）。迭代后期 search 分数还在涨，held-out 分数却停滞甚至下降，harness 逐渐专门适配了优化时见过的轨迹。
2. 评估方式偏乐观。
   • 表 1 中 search 和 held-out 两列各自取所有迭代中的最高分，两者可能来自不同轮次。
   • 附录 B 也承认，held-out 结果只是“候选表现的事后汇总”，不能当作单一选定 harness 的泛化性能估计。
   • 实际部署必须靠 search 集选模型，这个流程下的真实性能没有报告。

3. 样本少、没有方差。

• • 从分数粒度推断（3.3%、4.2% 一档），每个子任务只有约 24–30 个回合。
  • 没有报告多次运行、种子或置信区间，几个百分点的差距可能落在噪声范围内。
  • 父 harness 的替换规则是“严格大于即替换”，在这种小样本下特别容易被噪声驱动。

4. EMHO-Merge 的证据有限。

• • 只在每个领域选了 3 个子任务。
  • 操作任务上，Merge 的 held-out 平均为 33.8，低于各子任务分别优化的 40.7。导航任务上两者持平（75.6）。
  • Combined 设置没有报告 held-out 结果。
  • “共享 harness 走向通用 agent”这一点目前更像方向，还没有充分验证。

5. 绝对性能依然很低。操作任务即使优化后，平均也只有约 40%（27B）和约 20%（9B）。9B 的初始操作 harness 不到 10%，所以相对提升幅度显得很大。

6. 成本和效率没有交代。每轮都要在整个 search 集上做完整 rollout，再让 LLM 读大量轨迹和历史。论文没有报告 token 消耗、环境交互次数和计算时间，也没有和训练类方法比较样本效率。

7. 因果归因靠 LLM 的推断。弱反馈下的归因完全依赖优化器读轨迹，没有显式的信用分配机制。提示里也写明增益/损失配对“不能确立因果”。改动可能只是相关，甚至是巧合。

8. 泛化范围窄。

• • 只测了 EmbodiedBench 一个仿真基准，只用了 Qwen 系列模型；
  • 没有真机实验，也没有跨任务、跨环境迁移实验；
  • harness 文件结构和提示约束是针对这个基准设计的。

9. 可解释性和可维护性存疑。规则会越加越细、条件越来越多。长期演化下来，harness 可能膨胀、彼此冲突，变得难以人工审查。论文给了“规则变细”的定性描述，但没有分析 harness 的复杂度。

EMHO 把 coding-agent 领域“用 LLM 读轨迹、自动改 harness”的思路搬到了具身领域，并用增益–损失配对缓解多任务冲突。思路清晰，定性分析也丰富。但小样本、取各列最高分的评估方式和已经暴露的过拟合，使得量化结论的稳健性还需要更严格的验证。