223 lines
8.6 KiB
Markdown
223 lines
8.6 KiB
Markdown
---
|
||
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
|