MILO：让多智能体共同进化，自动寻找更强的 Agent Harness

导语

当 AI Agent 处理一次性问答之外的复杂任务时，真正决定表现的往往不只是模型本身，还包括一套负责规划、调用工具、管理执行过程和与环境交互的 Harness。模型升级后，原有 Harness 未必仍然合适，因此开发者通常需要重新进行大量人工调参。MILO 试图把这项工作交给一个能够自我调整的多智能体搜索系统。

核心要点

• 搜索对象从组件扩展到完整 Harness：现有自动化方法常聚焦于提示词、技能或某个局部模块，容易忽略各组件之间的协同。MILO 让变异器直接重写完整 Harness，以寻找更具整体性的方案。
• 用岛屿式谱系保存探索经验：系统在多个相对独立的搜索岛屿中并行演化，并通过层级谱系记录不同版本的来源、反馈和结果。被淘汰的变异也会被保留为负面证据，帮助后续搜索减少重复试错。
• 搜索策略本身也会进化：MILO 不把搜索流程固定下来，而是由编排器动态进行谱系嫁接、物种划分、变异器重新分配和课程调整，从而在开发与探索之间取得平衡。
• 面向不同模型进行验证：论文在 Terminal-Bench 2.1、PaperBench 和 DeepSWE 上测试了 MILO，并分别使用前沿模型 Opus 4.8 与开放权重模型 gpt-oss-120b。结果显示，MILO 发现的 Harness 超过了八种先进 Harness 以及六种搜索方法。

结果意味着什么

在 Opus 4.8 上，相比初始 Harness，MILO 在三个基准上的任务解决率分别提升 12.0%、28.3% 和 10.3%。论文还报告称，在 Terminal-Bench 2.1 上，系统达到 86.1±2.0%，高于官方排行榜当时 83.8±2.3% 的最高成绩。

这项工作的关键价值不只是得到一个更高分的 Harness，而是提出了一种“搜索搜索器”的思路：当 Harness 的设计空间不断扩大时，固定的启发式策略可能很快失效，搜索系统也需要具备适应性。谱系记忆让系统能够利用成功经验与失败案例，岛屿结构则有助于保留多样化路线，降低所有候选方案过早收敛到同一模式的风险。

不过，自动进化并不意味着 Harness 设计问题已经被完全解决。不同任务、模型和工具环境之间仍可能存在迁移差异，搜索成本、评测可靠性以及复杂 Harness 的可解释性也值得进一步关注。总体来看，MILO 展示了 Agent 工程可能从“人工编排固定流程”逐渐走向“由多智能体持续发现和优化流程”的方向。

来源：Hugging Face Daily Papers