削足适履之外
Infini-AI-Lab 开源 Hermit：模型和 harness 都不动，给 agent 训一个“harness 适配器”；OfficeQA、CL-Bench、ServeLearnBench 的数字均为项目方自报的单次结果。
中国人讲「削足适履」，是当笑话讲的：鞋小了，不去换鞋，倒把脚削掉一块。可这两年用 AI 工具的人，多少都干过类似的事。模型不合手，就去改自己的工作习惯；工具不合手，就去迁就工具的脾气。改来改去，脚削了不少，鞋还是那双鞋。
另一条路是换鞋。这条路的口号大家都听熟了：等下一个更大的模型，等下一个更聪明的 agent。问题在于，新鞋穿上也未必合脚，而且每换一次，前面磨出来的那点默契全部归零。手艺人都知道，工具用顺手要时间，换得太勤，手永远是生的。
所以当我看到 Infini-AI-Lab 开源的 Hermit，第一反应是：哦，有人想走第三条路了。脚不削，鞋也不换，往鞋里垫一副鞋垫，而且这副鞋垫还会自己照着你的脚型慢慢长。
据 GitHub 仓库和项目主页的说法，Hermit 是一个训练、评估、部署「harness 适配器」的框架，Apache-2.0 协议，v0.1.0 于北京时间 10 月 26 日发布，CMU 博士后 Haizhong Zheng 在 10-27 于 X 上宣布。它的类比说得很直白：LoRA 是给模型加适配器，Hermit 是给 agent 加适配器，原来的模型不动，原来的 harness 也不动。
适配器里装什么？指令、skills、记忆、工具、可执行代码，还有多个 agent 之间怎么协作的逻辑。说穿了，就是平时大家手写在各种配置文件里的那些东西，只不过现在把它们当成一个可以训练的外部件。Codex、Claude Code 这类工具本身是黑盒也不要紧，适配器挂在外面，通过它们支持的扩展接口进去。
训练的办法，有点像老师傅带徒弟。Trainer 先让 agent 去跑任务，judge 给结果打分，Evolver 读完这一轮的运行轨迹，提出一个新版本的适配器，校验通过再提交。每个版本都存在一棵 git 树里，改坏了可以回滚。learner 程序还能放进 bubblewrap 沙箱里跑，不过这一条只限 Linux。
这里头我最看重的，反倒是那棵 git 树。调教 agent 的人大概都有过这种经历：某天改了一句规则，效果忽然变差，却怎么也想不起来上一个好用的版本长什么样。能回滚，意味着试错的代价变小了；试错的代价小了，人才敢放手让机器去改。说到底，敢不敢让它自己长，取决于长歪了能不能拉回来。
方法也不止一种。框架里内置了五种进化法：GEPA、SkillOpt、MetaWorld Model（MWM）、Harness²、Continual Harness，ACE 和 ReHarness 标着「待出」。Harness² 这个名字，站内读者也许在 google-harness2 那篇里见过。Hermit 文档标注的出处是 Xu et al., 2026（arXiv 2610.14224），代码指向 google-research/harness2，和那篇写的是同一个方法，Hermit 内置的是对它的接入。
上手的门槛压得很低。pip install hermit-harness 就能装，或者 clone 下来 pip install -e .，要求 Python 3.12+。离线的 Quick Start 不需要 GPU，不需要账号，也不需要数据集，属于「先让你摸一摸」的那种设计。
后端支持 Fireworks、OpenAI、Anthropic、DeepSeek、vLLM、SGLang、Ollama，自家机房里跑模型的人也照顾到了。对只想先看看热闹的宅男来说，这一点很友好，不用先办卡、先充值、先下载一堆文件，才发现自己根本不需要它。
命令行就五个动作：check、train、eval、deploy、convert。hermit deploy --host codex 把训练好的适配器写进工作区，hermit convert --target claude-code 则能把它导出成 Codex、Claude Code、Pi、Hermes 的原生插件。
示例里有一个适配器，专门协调 5 个 Codex 合作证明一个 Lean 定理，这大概是整个项目里最像「炫技」的一段。不过炫技归炫技，它至少说明了一件事：适配器里装的不只是几句话，也可以是一整套让几个 agent 分工、共享状态、一起干活的规矩。
说到这里，听起来几乎是完美的故事：脚不受罪，鞋不用换，鞋垫还能自己长。可老狗看东西，习惯先翻到最后一页看成绩单。年纪大了，被漂亮的开头骗过太多回，知道故事讲得越顺，越要看看账本。而这份成绩单，恰恰是最需要冷静读的部分。
先说口径。据项目方自报，这些结果都用 GLM 5.3 Flash 跑，而且多为单次运行。单次运行是什么意思，做过实验的人都懂：运气好的一次和运气差的一次，可能差出不少，一次的数字只能算「看到了苗头」，算不上「证明了规律」。
再看具体的数。OfficeQA 上，不加适配器是 0.541，加上 Harness² 之后是 0.651。CL-Bench 的数据库探索任务里，MWM 得到 0.795，上下文基线是 0.580。这两组看起来都挺体面，适配器确实把分数往上推了。
但同一张表里还有一行，我觉得比前面所有好看的数字都重要：纯 prompt 的适配器只有 0.470，低于 0.580 的基线。也就是说，如果你以为「适配器」就是往里塞一段更长更花哨的提示词，那结果可能比什么都不加还差。鞋垫垫错了，比不垫更硌脚。
这一行数字，项目方没有藏，老实写在那里。我反倒因此多信了它几分。现在发布开源项目，大家都习惯只把最亮的那几个数字放在首页，肯把「这个办法不行」也一并摆出来的，不算多。
还有一组更值得琢磨。ServeLearnBench 上，MWM 得到 45.3，而 oracle 是 89.2。这个 oracle 是基准榜单上把隐藏策略直接交给模型时的分数，你可以理解成「答案的规则已经告诉你了」能拿到的分。两个数摆在一起，意思很清楚：适配器有用，但离天花板还远，路才走了一段。
所以怎么看 Hermit？我的看法是，它真正有意思的地方不在分数，而在思路的转向。过去这段时间，大家给 agent 调教的那些东西，规则、技能、记忆，都是手工活，写完就写完了，好不好全凭感觉。Hermit 想把这些手工活变成可以训练、可以评估、可以回滚的工程。这个方向是对的，至于这个版本能走多远，单次运行的成绩单说了不算。
对想动手的人，我的建议也很朴素：先用离线 Quick Start 摸清楚它的套路，再拿自己的任务和自己的评分标准去试，别直接拿首页的数字当承诺。尤其要盯住那个 0.470，它提醒你，适配器不是越长越好，乱训一通，鞋垫也会长歪。
佛经里讲「应无所住而生其心」，后人常把它讲得很玄。放在这件事上，我宁愿把它读得俗一点：不要死守着某一个模型，也不要死守着某一套写好的规则，让外面那一层跟着你的活一起长。脚还是自己的脚，鞋还是那双鞋，变的只是中间那一层……这本来就是手艺人一直在干的事，不是么？
来源：GitHub 仓库；项目主页；MarkTechPost 报道（2026-10-29）。OfficeQA、CL-Bench、ServeLearnBench 分数均为项目方自报，单次运行；ServeLearnBench 的 oracle 为基准榜单上直接给出隐藏策略时的分数；Harness² 出处据 Hermit 文档（Xu et al., 2026，arXiv 2610.14224）；“削足适履”的比喻为作者看法。