---
原文发布链接: https://zhuanlan.zhihu.com/p/2016839356833341880
tags:
  - AI
  - 论文解读
  - LLM
  - Agent
  - ProgramSynthesis
  - GRPO强化学习
  - harness
---

## 一句话总结

用小模型（Gemini-2.5-Flash）自动写一段"规则检查代码"包裹在 LLM 外面，让它不再犯"非法操作"的低级错误，结果小模型+代码 > 大模型裸跑。

---

## 这篇论文到底在解决什么问题？

### LLM 做 Agent 时的尴尬现实

你可能已经知道，现在很多人在用 LLM 做 agent——让模型去完成一些需要"行动"的任务，而不是简单地回答问题。比如让 LLM 下棋、玩游戏、操控机器人等。

**问题来了：LLM 经常做出"非法操作"。**

论文举了一个非常生动的例子：在 Kaggle GameArena 的国际象棋比赛中，Gemini-2.5-Flash 78% 的失败不是因为下棋策略差，而是因为走了不符合规则的棋。比如让马走直线、让兵倒着走之类的。

这就好比你请了一个非常聪明的人来帮你下棋，他对棋局分析得头头是道，但就是经常把棋子摆到不合法的位置上。

### 为什么会这样？

LLM 本质上是一个文本生成模型。它"知道"国际象棋的规则（因为训练数据里有大量棋谱），但它没有一个硬编码的规则引擎来确保输出的每一步都合法。它的"知道"是概率性的、模糊的，不是精确的。

### 现有解决方案及其问题

| 方案 | 怎么做 | 问题 |
|------|--------|------|
| Fine-tuning | 用大量合法游戏轨迹去微调模型 | 成本极高；可能降低模型在其他任务上的能力 |
| 手写 Harness | 人工为每个游戏写一个规则检查器 | 费时费力，每换一个游戏就要重写 |

**这篇论文的创新点是：让 LLM 自己写这个规则检查器。**

---

## 核心概念：什么是 "Harness"？

### Harness 的直觉理解

"Harness" 这个词在英文里是"挽具/马具"的意思，用来控制和约束马的行为方向。在这篇论文里，Harness 就是包裹在 LLM 外面的一层"安全壳"，确保 LLM 输出的动作是合法的。

用工程的话说，这就是一个 wrapper / middleware / interceptor：

```
传统做法：
用户请求 → LLM → 输出动作（可能非法）→ 环境报错

加了 Harness 之后：
用户请求 → LLM → Harness检查 → 合法? → 执行
                      ↓ 不合法
              告诉LLM"这步不行" → LLM重新生成 → 再检查...
```

### 三种 Harness 变体

论文提出了三种不同"约束力度"的 harness：

#### ① Harness-as-Action-Verifier（动作验证器）— 论文主要聚焦的方案

```python
while True:
    action = LLM.generate(observation)  # LLM 提出一个动作
    if code_harness.is_legal_action(obs, action):  # 代码检查是否合法
        break  # 合法就执行
    else:
        # 不合法，告诉 LLM 这步不行，让它重新想
        observation += f"\n警告：{action} 是非法操作，请重新选择"
return action
```

类比：就像你写代码时 IDE 的实时语法检查——你写了不合法的代码，红线提示你改。

#### ② Harness-as-Action-Filter（动作过滤器）

```python
legal_actions = code_harness.propose_action(obs)  # 代码先列出所有合法动作
best_action = LLM.rank(legal_actions)  # LLM 从中选最好的
return best_action
```

类比：就像下拉菜单——用户只能从合法选项中选，不可能输入非法值。

#### ③ Harness-as-Policy（代码即策略）— 最激进的方案

```python
action = code_harness.propose_action(obs)  # 完全由代码决定动作
return action  # 根本不需要 LLM
```

类比：你直接写了一个规则引擎/算法来玩游戏，LLM 只在"开发阶段"用来写这个算法。运行时零 LLM 调用，零成本。

---

## 核心方法：怎么让 LLM 自动写出 Harness？

这是论文最核心的技术贡献。如果你熟悉 GRPO，你可以把这个过程理解为：用环境反馈来优化代码，而不是优化模型权重。

### 整体流程

```
1. 初始化：LLM 写一版 harness 代码（propose_action + is_legal_action）
2. 测试：用这个代码在游戏环境里跑 rollout
3. 评估：记录哪些动作被判为非法，收集错误信息
4. 反馈：把错误信息喂给 LLM（Critic 模块整理错误）
5. 优化：LLM 基于错误反馈生成改进版代码（Refiner 模块）
6. 重复 2-5，直到合法率达到 100% 或超时
```

### 和 GRPO 的对比

| 维度 | GRPO | AutoHarness |
|------|------|-------------|
| 优化的对象 | 模型权重 θ | 代码文本（程序） |
| 搜索空间 | 参数空间（连续） | 程序空间（离散） |
| 反馈信号 | reward（标量） | 执行反馈（错误日志+reward） |
| 优化方法 | 梯度下降 | LLM 当"突变算子"改代码 |
| 探索策略 | 采样多个 response 对比 | Thompson sampling 做 tree search |
| 类比 | 调参让模型更好 | 让 AI 写更好的代码 |

**关键区别**：GRPO 改的是模型内部的权重，AutoHarness 改的是模型外部的代码。一个改"大脑"，一个改"工具"。

### Tree Search + Thompson Sampling

#### 为什么要用 Tree Search？

简单的迭代优化（写代码 → 测试 → 改代码 → 测试…）有个问题：容易陷入局部最优。比如 LLM 沿着一个思路改了 5 版代码，发现这个方向走不通了，但已经回不去了。

Tree search 的思路是：同时维护多个版本的代码，像一棵树一样分叉发展。

```
初始代码 v0
    /       \
  v1a       v1b  ← 两个不同的改进方向
  /  \      |
v2a  v2b   v2c   ← 继续分叉
|
v3a  ← 这个方向成功了！合法率100%
```

#### Thompson Sampling 是什么？

你面对这棵树上的多个节点，每次迭代应该选哪个节点来继续优化？这就是经典的 exploration-exploitation（探索-利用）问题：

- **利用（Exploitation）**：选当前表现最好的代码版本继续改进
- **探索（Exploration）**：试试那些还没被充分优化的代码版本，也许潜力更大

Thompson sampling 是一种概率性的选择策略：

```
对每个节点：
1. 根据它历史的"合法率"数据，建一个概率分布（Beta 分布）
2. 从这个分布中随机采样一个值
3. 选采样值最高的节点来优化

效果：表现好的节点被选中的概率更高（利用），
      但表现差的节点也有机会被选中（探索）
```

工程类比：这和你做 A/B testing 时的 Multi-Armed Bandit 问题几乎一模一样。Thompson sampling 就是一种 bandit 算法。

### Critic 和 Refiner 的分工

**Critic（批评者）**：
- 输入：rollout 中失败的步骤（最多 5 个）
- 工作：整理和归纳各种错误类型
- 输出：结构化的错误摘要
- 类比：Code Review 时给你提 bug 的同事

**Refiner（优化者）**：
- 输入：当前代码 + Critic 的错误摘要
- 工作：基于反馈生成改进版代码
- 输出：新版本的 harness 代码
- 类比：你根据 code review 意见改代码

一个关键细节：如果 `is_legal_action()` 返回 True 但环境说动作非法（漏判），则两个函数都要改；如果 `is_legal_action()` 返回 False 且动作确实非法（检查器工作正常，只是 `propose_action` 提出了错误动作），则只改 `propose_action()`。这个区分很重要，避免了"改了不该改的代码"。

---

## 实验结果解读

### 训练效率：多快能学会？

- 平均 **14.5 次迭代**就能学会（即 LLM 改代码 14.5 次）
- **19/32 个游戏**不到 10 次就搞定了
- 最难学的游戏：GermanWhist（43次）、Chess（64次）、Othello（62次）

直觉理解：简单游戏（如猜数字、骰子）规则简单，几次就能写对检查器；复杂游戏（如国际象棋）规则多样（王车易位、吃过路兵等），需要更多轮迭代。

最终结果：**全部 145 个游戏都达到了 100% 合法动作率。**

### 双人游戏：小模型+Harness vs 大模型

| 对阵 | 我们的方法胜率 | 对手胜率 |
|------|--------------|----------|
| Flash+Harness vs Gemini-2.5-Pro | **56.3%** | 38.2% |
| Flash+Harness vs Flash（原始） | **64.8%** | — |

这意味着什么？**一个小模型（Flash）配上自动生成的规则检查代码，可以打败一个大几倍的模型（Pro）。**

---

## 核心启示

1. **"代码即策略"可能是 LLM Agent 的终局形态** — 让 LLM 写代码，然后运行时零 LLM 调用
2. **小模型+好代码 > 大模型裸跑** — 这打破了"模型越大越好"的迷信
3. **Program Synthesis + RL 的结合** — 这可能是下一代 AI 系统的核心范式

---

## 标签

#论文解读 #AutoHarness #LLM #Agent #ProgramSynthesis #GRPO #强化学习