Harness 多模型/Agent 路由与评测策略文档

关注

原创 2026-05-20 10:59:30 531 阅读 AI 写同款· GEO 优化 ›

AI Agent可控性关键：Harness Engineering与SDD如何协同落地随着AI Agent进入生产环境，如何让模型行为可控、不越界成为工程化落地的核心议题。Harness Engineering作为一套围绕智能体构建的约束装置，通过输入过滤、工具白名单、输出校验等手段，实现了系统层面的行为管控。然而，约束装置本身需要明确的标准来定义“什么是正确的行为”，这正是规范驱动开发（SDD）的专长。SDD通过需求分析、规范定义、模型设计、验证确认等环节，将业务需求转化为无歧义的工程契约，为Harness的评测和拦截规则提供了权威依据。传统SDD在确定性系统中行之有效，面对LLM的概率性阅读详情

Harness 多模型/Agent 路由与评测策略文档
一、策略设计总则
1.1 核心目标
围绕 Harness 8 个任务阶段，实现「模型/Agent 最优匹配」，在保证任务质量的前提下，平衡执行效率、成本控制与结果可靠性；通过持续评测与数据积累，让路由策略实现自迭代，同时解决多模型矛盾/背书场景的决策难题，支撑复杂任务全流程顺畅推进。
核心原则

阶段适配：模型/Agent 选型与当前阶段的核心需求强绑定（如推理复杂度、上下文长度、操作类型）；
动态调优：基于任务反馈、模型表现数据，自动调整路由策略，实现“能降级则降级、需升级则升级”；
成本可控：优先使用低成本、快速模型完成基础任务，仅在必要时升级强推理模型；
结果可验：所有模型/Agent 输出均需经过校验，明确“可采纳”标准，杜绝无效输出；
可追溯：完整记录模型调用、输出结果、评测数据，为策略迭代和问题排查提供支撑。
涉及模型/Agent 能力梳理

二、分阶段模型/Agent 路由策略（核心）
结合 8 个任务阶段的核心需求，明确每个阶段的「默认模型/Agent」「升级条件」「降级条件」，实现动态路由，平衡质量、效率与成本。
2.1 各阶段路由详情
在这里插入图片描述

2.2 路由触发机制

默认触发：进入对应任务阶段后，自动调用「默认模型/Agent」，无需人工干预；
升级触发：满足该阶段「升级条件」时，由 Supervisor 自动终止当前模型/Agent 调用，切换为强模型/高级 Agent，记录升级原因和时间；
降级触发：满足该阶段「降级条件」时，由 Supervisor 自动切换为便宜模型/基础 Agent，若已调用强模型，可终止当前调用（节省成本），记录降级原因和时间；
人工干预：特殊场景下（如模型输出异常、任务紧急调整），人工可手动调整模型/Agent，操作记录留存至日志。
三、模型输出可采纳判定标准
为避免无效输出、错误输出进入下一环节，明确所有模型/Agent 输出的「可采纳标准」，由 Supervisor 或对应校验 Agent 执行判定，未通过则触发重试、模型升级或人工介入。
3.1 通用可采纳标准（所有模型/Agent 均需满足）
相关性：输出内容与当前阶段任务目标高度相关，无无关信息、无偏离主题；
完整性：覆盖当前阶段核心需求，无关键信息缺失（如规划步骤无遗漏、代码无语法错误）；
一致性：输出内容内部无逻辑矛盾，与前序阶段成果、任务意图无冲突；
可验证：输出结果可通过后续步骤、工具或 Agent 校验（如代码可编译、QA 可验证）。
3.2 各模型/Agent 专属可采纳标准
强推理模型/便宜快速模型：输出逻辑清晰、结论明确，无歧义；复杂推理需附带简要推理过程，便于校验；
长上下文模型：上下文关联准确，能复用前序阶段信息，无上下文脱节、信息混淆；
代码 Agent：代码可编译通过、无语法错误；符合预设代码规范；核心逻辑能实现预期功能；
Browser Agent：操作步骤可复现；能准确获取目标页面/接口数据；测试结果与预期一致（无漏测、误判）；
Reviewer Agent：审核意见具体、有依据（如指出具体代码行问题）；无遗漏严重问题；审核标准与预设一致；
本地 CLI Agent：命令执行成功（无报错）；操作结果符合预期（如文件修改正确、命令输出正常）；无权限异常。
3.3 判定流程与处理逻辑

补充说明：重试次数默认不超过 3 次，每次重试间隔 5-10s；升级模型后仍未通过，立即触发人工介入，避免无效消耗。
四、评测体系设计（benchmark/replay/golden task）
建立完善的评测体系，通过「基准测试、回放测试、黄金任务测试」，持续评估模型/Agent 表现，为路由策略优化提供数据支撑，确保策略的科学性和有效性。
4.1 Benchmark（基准测试）：建立性能基线
4.1.1 基准指标设计
围绕「质量、效率、成本」三大核心维度，设计可量化的基准指标，覆盖所有模型/Agent 和任务阶段：
在这里插入图片描述

4.1.2 基准测试执行

初始化基准：在系统上线初期，对所有模型/Agent 进行全阶段基准测试，记录各指标 baseline（基线值）；
定期复测：每周执行一次基准测试，每月执行一次全量基准复测，更新指标数据，对比基线值，识别模型表现变化；
异常触发：当某模型/Agent 指标出现大幅波动（如准确率下降 ≥ 10%、异常率上升 ≥ 15%），立即触发紧急基准测试，排查原因。
4.2 Replay（回放测试）：复现真实场景
基于历史真实任务数据，进行回放测试，模拟实际运行场景，评估模型/Agent 在真实任务中的表现，避免基准测试与实际场景脱节。
4.2.1 回放数据采集
采集范围：历史完成的任务（成功/失败）、模型调用记录、输出结果、校验记录、人工干预记录；
数据筛选：优先筛选高频任务、复杂任务、曾出现异常的任务，确保回放场景的代表性；
数据脱敏：对敏感信息（如核心代码、隐私数据）进行脱敏处理，确保数据安全。
4.2.2 回放测试执行
自动回放：每周自动回放 100-200 条历史任务数据，使用当前路由策略调用模型/Agent，记录表现指标；
对比分析：将回放测试结果与历史真实结果对比，评估路由策略的优化效果（如可采纳率提升、成本降低）；
问题定位：若回放测试中出现模型输出异常、路由错误，定位原因（如模型版本更新、策略参数不合理），及时优化。
4.3 Golden Task（黄金任务）：标准化校验
设计一批标准化的“黄金任务”，覆盖 8 个任务阶段、不同复杂度场景，作为模型/Agent 表现的“标准校验工具”，确保评测的一致性。
4.3.1 黄金任务设计原则
覆盖性：每个任务阶段设计 5-10 个黄金任务，涵盖简单、中等、复杂三种复杂度；
标准化：每个黄金任务有明确的输入、预期输出、验收标准，无歧义；
稳定性：黄金任务不频繁修改，仅在任务流程、模型能力升级时更新；
可量化：验收标准可量化（如代码编译通过率 100%、QA 测试通过率 100%），便于自动评测。
4.3.2 黄金任务应用
模型准入：新模型/Agent 接入 Harness 时，需通过对应阶段的黄金任务测试，指标达标方可接入；
日常校验：每日执行一次黄金任务测试，快速检测模型/Agent 表现是否稳定；
策略优化：通过黄金任务测试结果，对比不同模型/Agent 在同一任务中的表现，优化路由策略（如调整默认模型、升降级条件）。
五、模型表现记录与路由策略自迭代机制
建立“记录-分析-优化-迭代”的闭环，完整记录模型表现数据，通过数据分析识别问题，自动优化路由策略，实现策略随时间持续改进。
5.1 模型表现记录规范
5.1.1 记录内容（全量可追溯）
基础信息：任务 ID、任务阶段、调用的模型/Agent 类型、调用时间、结束时间；
输入输出：模型/Agent 的输入参数、输出结果、可采纳判定结果、校验记录；
性能指标：响应时间、执行耗时、调用成本、准确率、可采纳率、异常信息；
路由信息：是否触发升级/降级、升级/降级原因、人工干预记录；
关联数据：与该模型/Agent 相关的前序/后续步骤成果、黄金任务测试结果、回放测试结果。
5.1.2 记录存储与检索
存储介质：采用“MySQL + ElasticSearch”联合存储，MySQL 存储结构化数据（如指标、基础信息），ElasticSearch 存储非结构化数据（如输出结果、日志）；
检索维度：支持按任务 ID、任务阶段、模型/Agent 类型、时间范围、性能指标检索，便于数据分析；
数据留存：历史数据留存 1 年，核心数据（如黄金任务、异常记录）永久留存，用于长期策略优化。
5.2 路由策略自迭代机制
基于模型表现记录、评测数据，由 Supervisor 自动触发策略优化，每月进行一次全量迭代，紧急异常时触发临时迭代。
5.2.1 迭代分析维度
模型表现分析：识别各模型/Agent 在不同阶段、不同复杂度任务中的优势/劣势（如某便宜模型在简单意图分析中准确率达 98%，可扩大其使用场景）；
升降级逻辑分析：统计升级/降级触发的频率、原因，优化升降级条件（如某阶段升级强模型后准确率提升不明显，可调整升级阈值）；
成本效率分析：对比不同模型/Agent 的“成本-质量”比，优先选择性价比高的模型（如便宜模型准确率仅比强模型低 2%，但成本低 80%，可调整默认模型）；
异常分析：统计模型异常、输出不可采纳的高频场景，优化路由策略（如某模型在复杂规划中异常率高，可直接将复杂规划的默认模型升级为强模型）。
5.2.2 迭代执行流程

5.2.3 人工兜底优化
每月迭代后，人工审核优化效果，针对自动迭代无法解决的问题（如多模型矛盾场景、复杂任务路由不合理），手动调整策略；每季度进行一次全量策略复盘，结合业务场景变化，优化模型选型和路由逻辑。
六、多模型矛盾/背书场景的 Supervisor 决策策略
当多个模型/Agent 针对同一任务输出（或同一环节）出现「矛盾」（输出不一致）或「背书」（输出一致）时，Supervisor 需基于证据、模型表现、任务优先级，做出科学决策，确保任务推进的正确性。
6.1 多模型背书场景（输出一致）：优先采纳，谨慎校验
背书定义
2 个及以上不同类型/不同等级的模型/Agent，针对同一任务输出（或同一校验点），给出一致的结果（如 Reviewer Agent 与强推理模型均认为代码无问题）。
决策策略

基础原则：优先采纳背书结果，减少人工干预，提升效率；
校验要求：若背书模型包含强推理模型/Reviewer Agent，可简化校验流程（仅执行核心校验）；若仅为便宜模型/基础 Agent 背书，需执行完整校验，避免“集体出错”；
特殊处理：若背书结果与前序阶段成果、任务意图有轻微偏差，触发简单重试；若偏差较大，即使背书一致，也需人工介入核查。
6.2 多模型矛盾场景（输出不一致）：分层决策，证据优先
矛盾定义
2 个及以上不同类型/不同等级的模型/Agent，针对同一任务输出（或同一校验点），给出相互冲突的结果（如代码 Agent 认为代码无错，Reviewer Agent 认为存在严重 bug）。
决策优先级（从高到低）

第一步：基于证据校验矛盾结果
第二步：结合模型表现数据决策
若强推理模型与便宜模型矛盾，且强推理模型表现更优（准确率 ≥ 95%），优先采纳强推理模型；若便宜模型表现接近（准确率 ≥ 93%），且成本更低，可触发人工复核后决定；
若同类型模型矛盾（如两个代码 Agent），优先采纳历史表现更优、调用成功率更高的模型；
若 Agent 与模型矛盾（如 Browser Agent 测试通过，强推理模型认为测试不完整），优先采纳 Agent 输出（Agent 更贴近实际操作，证据更直观）。
第三步：结合任务优先级决策
高优先级任务（如生产部署、核心功能开发）：优先采纳强推理模型/Reviewer Agent 输出，触发人工复核，确保结果正确；
普通优先级任务：优先采纳成本低、效率高的模型输出，后续通过调试、QA 环节验证；
低优先级任务：可随机采纳一个结果，后续若发现错误，触发重试和模型升级。
第四步：人工介入兜底
6.3 决策记录与优化
所有多模型矛盾/背书场景的决策过程、结果、依据，均需完整记录至日志；每月迭代时，分析矛盾/背书高频场景，优化路由策略（如调整模型选型、增加校验环节），减少矛盾场景的出现。
七、总结
本策略围绕 Harness 8 个任务阶段，实现了多模型/Agent 的精准路由、动态升降级，通过明确的输出可采纳标准、完善的评测体系，确保任务质量与成本平衡；同时建立了策略自迭代机制和多模型决策规则，解决了复杂场景下的模型选型与决策难题。
策略落地后，可通过持续的评测数据积累、策略迭代，逐步提升模型调用的性价比和任务执行的可靠性，支撑 Harness 长期稳定运行，适配复杂工程任务的全流程需求。后续可结合实际业务场景，进一步优化模型表现指标、升降级条件和决策规则，提升策略的灵活性和适配性。