编者摘要：EnvHarness 由 Google 于 2026 年发布，核心思路是将 Agent Harness 思想迁移至环境侧，在不改动原有静态环境内部代码与评估器的前提下，通过外层可插拔组件，把固定基准改造为自适应教学环境。框架包含 Setup、Rule、Link 三大组件，仅拦截 reset/step 接口，可自由堆叠；由 LLM 设计师智能体形成闭环：读取智能体轨迹诊断短板、自动生成 Python 插件重塑环境，迭代实现环境与智能体协同进化。 该框架已在 ALFWorld、WebArena、SWE-bench Verified、OfficeQA、SpreadsheetBench 五大交互式 Agent 基准完成验证。实验表明，在 EnvHarness 动态环境习得的技能迁移至原始基准后性能更强，分布外任务最高提升 9 个点，交互步数降低约 9.8%，同时支持 GRPO 强化学习训练。EnvHarness 具备基准无关特性，新环境只需实现 ActionableEnv 接口即可接入，可用于 Agent 技能蒸馏、弱点诊断、鲁棒评测、自动构造训练样本；局限是依赖 LLM Designer，无法修改底层环境动力学，仅适用于交互式仿真环境。
10 问 10 答
- EnvHarness 是什么？
EnvHarness 是 Google 提出的环境侧外挂框架，不修改原始静态环境底层代码，通过可插拔插件层动态改造交互过程，实现环境随智能体能力协同进化，用于 Agent 训练与评测。 - EnvHarness 解决了什么痛点？
传统 Agent 基准环境固定不变，无法针对 Agent 短板生成训练场景；Agent 学会任务后环境不再提供有效学习信号；定制动态环境开发成本极高。 - EnvHarness 三大核心组件是什么？
Setup（初始状态重塑）、Rule（交互规则钩子，LLM 生成 Python）、Link（跨环境任务组合），均拦截 reset/step 标准接口。 - LLM Designer Agent 的闭环流程？
读取交互轨迹诊断 Agent 弱点→自动编写 Harness 插件改造环境→测试 Agent→迭代优化，循环实现 Agent 与环境协同进化。 - EnvHarness 为什么保证评估可信？
底层环境、任务、人工验证打分器完全保留，仅劫持 Agent 与环境之间的交互层，评估逻辑没有改动。 - ActionableEnv 接口作用？
统一环境抽象，新增基准只需实现 7 个接口（reset/step/observe/evaluate/get_env_state/save_state/from_state），整套训练评估流水线可直接复用。 - EnvHarness 实验效果如何？
在 ALFWorld、WebArena、SWE-bench 等 5 个基准上，学到的技能迁移回原始环境效果更优，OOD 任务最高提升 9 个点，交互步数减少 9.8%，支持 GRPO 强化学习。 - EnvHarness 主要应用场景？
Agent 技能蒸馏、强化学习训练、弱点诊断、自动构造训练集、鲁棒性压力测试、快速接入私有业务仿真环境。 - Code as Harness 是什么含义？
Designer Agent 直接生成 Python 子类代码，而非固定参数选择；代码在独立子进程沙盒运行，错误只会记录轨迹，不会崩溃实验。 - EnvHarness 有哪些局限性？
依赖外部 LLM 作为设计师，带来 API 开销；无法修改底层环境动力学和原始打分规则；仅适用于具备 reset/step 机制的交互式环境。
标题：EnvHarness: Awakening Static Worlds for Agent Learning ：EnvHarness 不对原有静态环境做任何内部修改，而是在环境外面叠加可编排插件层，由 LLM 设计师智能体自动诊断智能体短板、动态改造环境，实现 “环境跟着智能体能力协同进化”，解决传统 Agent 基准环境固定不变、无法针对性训练的痛点。
一、背景痛点
现在 LLM 智能体越来越依赖交互式环境（网页、代码、仿真、办公），但现有基准环境（ALFWorld、WebArena、SWE-bench 等）都是静态环境：
-
环境逻辑、任务、评估规则写死，不管智能体变强还是存在特定缺陷，任务永远不变； -
一旦智能体学会这批任务，环境就不再提供新教学信号，无法继续提升； -
改造环境成本极高，需要侵入底层代码、重写仿真逻辑。
Agent Harness 是给冻结大模型外挂工具 / 记忆 / 技能，不改动模型权重；EnvHarness 把这个思路镜像迁移到环境侧：给冻结环境外挂插件层，不改动环境内部代码，动态控制交互过程。
二、核心架构：三大可插拔组件
所有组件仅拦截标准reset/step接口，底层环境、任务、人工验证器完全不动，保证评估可信，三层可以自由堆叠组合：
- Setup（初始状态重塑）
修改环境 reset 后的初始状态，固定回放动作序列，用来构造不同起始场景。 - Rule（交互规则重塑）
step 级钩子，控制允许动作、动作效果、智能体观测内容；由 LLM 生成 Python Rules子类代码，在隔离子进程执行，坏代码不会直接崩溃实验，只会记录 trace。 - Link（环境任务组合）
把另一个环境的任务嵌入当前 episode，跨域任务拼接。
闭环：LLM Designer Agent 诊断循环
-
读取智能体交互轨迹，定位智能体具体薄弱点； -
自动编写 EnvHarness 插件，改造环境，生成针对性训练场景； -
在改造后的环境上测试智能体； -
迭代修改插件，直到环境能够训练补齐该短板； -
循环执行，智能体能力提升 → 环境自动升级任务难度，两者协同进化。
三、核心特性
- 冻结环境，零侵入修改
基准任务、动力学、打分逻辑完全保留，只修改智能体与环境之间的中间层，评估可信度不变。 - Code as Harness
不是从固定选项里挑选参数，而是直接生成 Python 类；沙盒执行，保证安全。 - 可组合
EnvHarness 本身就是 ActionableEnv，可以多层嵌套堆叠，统一接口。 - 基准无关（Benchmark-agnostic）
新增环境只需要实现一套 ActionableEnv接口，整套设计师智能体、组件、训练评估流水线无需改动。 -
ActionableEnv 7 个接口： reset / step / observe / evaluate / get_env_state / save_state / from_state
四、实验结果（5 大基准：ALFWorld / WebArena / SWE-bench Verified / OfficeQA / SpreadsheetBench）
在 EnvHarness 动态环境学到的技能，迁移回原始未改动基准上效果优于两组基线：无技能基线、在原始静态环境学到的技能。
-
ALFWorld OOD（分布外任务）最高提升+9 分；整体平均提升 + 5.9； -
WebArena 平均 + 3.1； -
SWE-bench Verified 成功率 + 2.7，交互步骤减少（更高效）； -
OfficeQA、SpreadsheetBench 都有稳定增益； -
交互效率提升：减少约 9.8% 交互步数； -
同时支持 GRPO 强化学习训练，多次迭代设计师循环，收益会持续累积。
实验全部基于 Gemini 系列模型；代码仓库默认配置为 GPT-4.1-mini，复现论文指标需要切换模型。
五、工程体系（开源项目）
1. LLM 后端支持
OpenAI GPT、Vertex Claude、Gemini；可以统一MODEL环境变量全局指定模型，统一控制 policy、mutator、embedding，避免多模型混杂。
-
Embedding 自动绑定对应服务商向量模型，也可通过 EH_EMBED_MODEL手动覆盖。
2. 运行流程
-
前置校验： check_env.py环境预检； -
Smoke 小任务快速验证： reproduce_smoke.sh； -
完整实验： reproduce.py，用于技能提取与评估； -
RL 训练路径：基于 verl-agent 在 EnvHarness 环境做 GRPO。
3. 接入新 Benchmark 五步流程
-
实现 Bridge：继承 ActionableEnv，实现 7 个接口，注册环境； -
编写 env_state_schema，把状态描述注入设计师 Agent 提示词； -
编写 corpus.yaml 配置文件，指向新环境； -
复用已有技能抽取、评估代码； -
添加预检脚本与单元测试。
4. 自定义 Harness Layer 开发
可以新增自定义层（如 step 预算限制、奖励塑形），继承EnvHarness并注册，层栈支持序列化保存 / 加载；
-
示例仓库自带 Budget 层：限制单 episode 最大动作步数。
六、关键价值与落地启示
- 解决 Agent 训练的数据难题
不用人工大规模编写训练任务，由 LLM 自动根据智能体失败案例生成适配难度的动态训练环境； - 基准复用
不用为训练单独造仿真环境，直接复用已有的高质量公开基准，只加外层包装，评估可信； - 持续自进化训练闭环
随着智能体变强，环境自动提升难度，形成持续教学，打破静态环境能力天花板； - 工程上统一 Agent 环境抽象
ActionableEnv作为通用接口，把网页、代码、办公、室内仿真环境统一封装，一套训练框架跑全部环境。
七、局限
-
依赖外部 LLM 作为 Designer Agent，有 API 成本与速率限制； -
环境改造能力上限取决于 Designer 写 Rule 代码的能力； -
底层环境本身的缺陷无法修复，EnvHarness 仅做外层交互劫持。