论文说了什么

《Grow the Harness, Not the Context》提出一个和主流相反的做法：与其不断往上下文里堆策略提示和检索结果，不如从一个几乎没有策略的脚手架出发，让 agent 在反复失败中把「怎么做事」沉淀成可复用的代码——让承载流程的骨架（harness）自己生长，把 LLM 调用只留给真正需要语义判断的环节。

实验结果

  • 基准：BrowseComp-Plus 与 WebArena-Verified；模型覆盖 4B 到 120B 的可部署规模。
  • 六个「基准 × 模型」组合里有五个平均成功率最高，剩下一个落后最优 0.7 个百分点。
  • 相对常规工具调用型 agent，LLM 调用次数减少 76.0%–91.8%，部署推理成本降低 74.4%–98.6%。
  • WebArena-Verified 上成功率稳定在 44.7%–45.3%；工具调用型方案在 4B 小模型上掉到 6.7%。

为什么小模型受益最大

把「怎么做」写进提示词和上下文，等于要求模型每一次都现学一遍流程；流程变成代码之后，模型只需要做那一小步判断。这解释了一个常见现象：同一个 agent 方案换到小模型上就崩，往往不是模型理解不了任务，而是它被要求同时记住流程和推理。

落地时要注意什么

收益最大的场景是「步骤顺序会变、但步骤本身固定」的任务，对本来就一步到位的问题没有帮助。另外它换来的是工程代码量与维护成本——消融实验显示，轨迹内的局部编辑、失败后的联合修复、基于门控的回滚三件事各自都有贡献，也就是说这套骨架需要有人持续维护，否则代码会先于模型腐化。

把流程从提示词搬进代码，往往比换一个更大的模型更省钱。