先看证据
改动对象从模型权重移到了Agent外层
Infini-AI-Lab于2026年10月25日发布了Hermit v0.1.0。这是一个面向AI Agent的开源Harness适配框架，目标是在不微调模型、也不分叉现有Harness的情况下，让Codex或Claude Code这类Agent适应新任务。项目采用Apache-2.0许可，提供Python框架和`pip install hermit-harness`安装方式。
Hermit所说的“适配器”不是LoRA一类模型权重补丁，而是包在Agent外部、能够迭代的Harness配置。它可以包含指令、技能、记忆、工具、可执行代码，甚至整个仓库；模型参数和原Harness保持冻结。这个边界让改动更容易检查，也意味着它优化的是Agent如何组织工作，而不是模型本身的知识或推理能力。
反馈循环训练的是配置，而不是模型
Hermit把适配过程组织成一个RL风格循环：Trainer用当前适配器驱动Agent完成一批任务，judge给输出打分，Evolver再读取执行轨迹和反馈，提出下一版适配器。Trainer会先按模板检查新版本，再将其提交为后续迭代的起点。这里的“学习”发生在外部配置上，任务表现如何转化成更好的配置，取决于Evolver和评价信号的质量。
每个适配器版本保存在Git tree中，因此可以查看差异、回滚或部署特定版本。Hermit目前内置GEPA、SkillOpt、MetaWorld Model（MWM）、Harness²和Continual Harness五种演化方法，也允许开发者自行编写Evolver；ACE和ReHarness则列为后续计划。学习程序可以在沙箱中运行，但启用这一路径需要Linux和bubblewrap，这不是所有开发环境都能直接满足的条件。
结果有提升，但比较方式并不统一
目前公开的数字都使用GLM 5.3 Flash作为执行模型，来自仓库示例README并由团队自报。OfficeQA的172道美国财政部公报问答以精确匹配计分：无适配器为0.541，初始技能为0.576，GEPA为0.580，SkillOpt为0.600，Continual Harness为0.634，Harness²为0.651。GEPA和SkillOpt先用50道题训练，再冻结测试；Continual Harness和Harness²则在测试集上各自流式学习一次，因此这些分数不能简单当作同一训练条件下的横向排名。
CL-Bench的数据库探索任务上，MWM报告准确率0.795，高于基准的上下文学习分数0.580；在可利用策略的扑克任务中，它报告每手3.08个大盲注，对照为2.51。结果也并非处处向上：同一数据库探索场景中，prompt-only适配器只有0.470，低于0.580的上下文基线。材料还提到ServeLearnBench包含624条零售客服请求，但没有给出结果数字，因此不能据此判断该基准上的效果。
可移植性主张仍需要真实工作流检验
不改模型、也不动Harness，确实给团队提供了一个较低侵入性的实验入口。Quick Start离线运行不需要GPU、模型账户或数据集；真实任务则可以接API后端，或连接本地vLLM、SGLang、Ollama服务。训练后的适配器可以放进Agent工作区，也可以导出成原生插件，这让它有机会进入已有部署流程，而不必先替换整套Agent栈。
但“适配器可以在兼容模型和Harness之间迁移”目前是设计动机，不是材料中已经验证的普遍结论。读者也应区分可复现的版本管理与可信的性能证据：Git记录能说明改了什么，却不能消除单次运行、不同训练路径或自报评测带来的不确定性。对技术负责人而言，合理做法是把Hermit当作外层策略的实验与交付框架，先在自己的任务上设置冻结基线、重复运行和独立评审，再决定是否把某个适配器部署到生产环境。