Google、動的環境でエージェントを進化させるEnvHarnessを公開

固定されたベンチマークは、エージェントがタスクを解けるようになると、新しい学習機会を提供しにくくなる。同じ初期状態、ルール、フィードバックを繰り返しても、計画、ツール利用、状態理解といった弱点が必ずしも解消されるわけではない。Googleの研究者が公開したEnvHarnessは、この問題に対し、エージェントだけでなく学習環境も変化させるというアプローチを示した。

既存環境を包むプログラマブルな層

EnvHarnessは、エージェントと静的な環境の間に置くラッパー層である。標準的なreset()とstep()インターフェースで既存環境を包むため、エージェントの中核ロジック、元のタスク、評価システムを変更せずに、相互作用の見え方や進み方を調整できる。環境の挙動に変異を加え、学習の進展に応じて異なる挑戦を提示する仕組みだ。

主な構成要素は、組み合わせて使える次の三つである。

• setup：エピソードやタスクの初期状態を設定する。
• rule：エージェントの行動に応じた状態遷移を制約する。
• link：エージェントへ提示する観測結果をカスタマイズする。

環境を一から生成するには、分野固有のパイプラインや高コストな検証器が必要になることが多い。EnvHarnessは、こうした基盤をすべて作り直す代わりに、インターフェース層で適応性を加えられる点に特徴がある。既存の検証器を維持できることも、実運用上の利点になりうる。

EnvRiggerが弱点に合わせて環境を調整

EnvHarnessにはEnvRiggerも含まれる。これはエージェントの実行軌跡を分析し、何度も現れる失敗や非効率な行動を見つけ、その弱点に対応する環境変更を生成する仕組みだ。変更後の相互作用で効果を確認し、このサイクルを繰り返すことで、エージェントと環境の共同進化を目指す。

素材によれば、WebArena、SWE-bench Verified、ALFWorldで実験が行われた。EnvHarnessを追加した結果、Gemini 3.1 Flash-Lite、Qwen3.6 27B、Gemini 3.5 Flash、Claude Sonnet 4.6の性能は、報告された条件で2.9～3.7ポイント向上した。ただし、これは提示された実験設定での結果であり、すべてのモデルやタスクに同じ改善が生じると解釈すべきではない。

意義と残る課題

従来の自己改善は、プロンプトの書き換え、新しいスキルの獲得、経験データの追加に重点を置くことが多かった。EnvHarnessは、学習条件そのものを調整し、現在のエージェントが苦手とする行動を環境側から引き出す選択肢を加える。分野に依存しないインターフェースを通じて、ウェブ操作、ソフトウェア開発、具身タスクなどへの応用も想定できる。

一方で、環境を動的にするだけで学習の質が保証されるわけではない。変異が有益な課題なのか、単なるノイズなのかを判定し、検証器の抜け道や余分な対話コストを抑える必要がある。EnvHarnessは、信頼できるタスクと評価器を残しながら、学習環境を段階的に難しくするための設計案として注目される。

出典：InfoQ Chinese