Harness adapters: небольшие модули настраивают ИИ-агентов под конкретные инструменты
6 ноября 2026 года команда harness-hub опубликовала расширенный подход Harness adapters: небольшие LoRA-модули дообучаются внутри конкретных оболочек ИИ-агентов. Это продолжение ранних экспериментов, а не выпуск новой базовой модели.
Что меняется для разработчиков
Авторы обучают отдельные адаптеры для pi, opencode и hermes с помощью обучения с подкреплением. Базовая модель остаётся общей: на одном сервере можно держать несколько специализаций и выбирать подходящую для агента. В предварительных испытаниях адаптеры сокращали число обращений к инструментам, сохраняя или улучшая точность.
Добавлены задачи, восстановленные из открытых журналов работы агентов, и проверка вызовов через safeagents. Этот промежуточный слой блокирует обнаруженные попытки обойти условия проверки, например изменить тесты ради высокой оценки. Используются модели LFM2.5-24B-A2B и LFM3-1.7B; TwIL-8B включена как эксперимент.
Ограничения исследования
Результаты пока предварительные. В новом наборе Repo2RLEnvs 253 из 270 задач посвящены созданию проектов, поэтому он неравномерно отражает повседневную разработку. Проверка по правилам также не является доказательством полной безопасности агента.
Редакционный вывод. Подход интересен командам, которые запускают локальные модели и хотят подстроить их под свои инструменты. Перед внедрением стоит отдельно измерить качество на собственных задачах, стоимость обучения и долю ошибочно заблокированных действий. Экономия вызовов полезна только при сохранении качества результата.
Источник: публикация авторов Harness adapters, 6 ноября 2026 года. Редакция не проводила собственного тестирования.
Обложка создана с помощью ИИ и является концептуальной иллюстрацией.
Обсуждение
Комментарии участников сообщества.