← Каталог

· Apsara Conference 2026 · 云栖大会

От harness к RSI Flywheel: практика TokenRhythm по замкнутой эволюции agents

Часть записи Саммит по практике корпоративных Agent с 1:05:20

Трассы агентов, которые harness собирает в изолированных песочницах, можно пустить обратно на дообучение модели, и по словам авторов это даёт рост на агентных задачах.

  • Открытый harness с микроядром — минимальное ядро агентного цикла, а контекст, инструменты и память подключаются плагинами. Код OpenScreen открыт, по словам авторов, его можно поставить и подключить API без доработок.
  • Экономия токенов — переключение между моделями, сжатие контекста и уровни chain of thought снижают стоимость. По словам авторов, на Deep Research Bench получилось 63.1 балла при стоимости примерно в три раза ниже флагманской модели.
  • Замкнутый цикл RSI — трассы генерируются в песочницах на Alibaba Cloud ECS и проходят структурную проверку и шестимерную семантическую оценку. Отобранные данные идут в дообучение Qwen3.5 4B и 9B, а новая модель возвращается в harness для следующего раунда.
  • Обучение под агентные задачи — супервизия по целым пользовательским ходам вместо отдельных вызовов модели, поэтапная программа от простых задач к сложным и OPD-дистилляция с поштучной оценкой токенов. По словам авторов, на десяти агентных задачах прирост составил 5–6 пунктов для 4B и 3–4 пункта для 9B.

Кому полезно: тем, кто строит собственный harness и думает о дообучении модели на трассах своих агентов.

Статья по теме

На какие вопросы отвечает доклад

  • Как агенту не терять нить длинной задачи, когда контекст модели ограничен?

    Память делят на четыре слоя: рабочую, эпизодическую, семантическую и сырую. Слои подгружают по необходимости, а контекст сжимают, что снижает расход токенов.

    ▶ 2:59OpenScreen: микроядерный harness
  • Как снизить расход токенов у агента, не ухудшая результат?

    По словам авторов, экономию дают переключение между моделями, сжатие контекста и градация цепочки рассуждений по уровням. Так стоимость падает без потери качества.

    ▶ 2:59OpenScreen: микроядерный harness
  • Почему готовая LLM плохо справляется с агентными задачами в корпоративной среде?

    По словам спикера, общим моделям не хватает обучения на чередовании рассуждений, вызовов инструментов и сигналов среды. Размеченных агентных траекторий мало, а без реального harness модель не видит своих ошибок.

    ▶ 8:26RSI: рекурсивное самоулучшение
  • Где взять качественные траектории работы агента для обучения без ручной разметки?

    Harness запускают в изолированных средах Alibaba Cloud ECS и генерируют траектории на пользовательских окружениях. Отбор идёт через структурную проверку и оценку по шести измерениям семантики.

    ▶ 9:55Маховик RSI: четыре шага
  • Как замкнуть цикл, чтобы дообученная модель проверялась на реальных прогонах агента?

    Новая модель возвращается в harness и работает в реальной среде, результаты оцениваются и отбираются, после чего снова идут в обучение. По словам авторов, цикл повторяют итерациями.

    ▶ 9:55Маховик RSI: четыре шага
  • Как дообучать модель на агентных траекториях, чтобы она лучше справлялась с длинными задачами?

    Обучают на целом пользовательском ходе с цепочкой вызовов и финальным рассуждением, идут трёхэтапным курсом от простых задач к сложным и используют дистилляцию с учителем на уровне токенов.

    ▶ 11:15Инновации agentic post-training

Главы

  1. 0:00Почему agent трудно внедрить в компании
  2. 2:59OpenScreen: микроядерный harness
  3. 5:25Оценки: стоимость и бенчмарки
  4. 8:26RSI: рекурсивное самоулучшение
  5. 9:55Маховик RSI: четыре шага
  6. 11:15Инновации agentic post-training
  7. 13:28Замкнутый цикл на Alibaba Cloud

Похожие доклады