Das Labor Infini-AI-Lab hat Hermit veröffentlicht, ein Open‑Source‑Framework zur Anpassung von Harness für KI‑Agenten. Seine erste Version, v0.1.0, wurde am 25. Oktober 2026 veröffentlicht, und der Forscher Haizhong Zheng, Postdoktorand an der CMU, kündigte sie am 27. Oktober auf X an. Das erklärte Ziel richtet sich an Entwickler: Agenten Codex oder Claude Code für neue Aufgaben anzupassen, ohne das Modell neu zu trainieren oder den Harness zu ändern.
Ein externer Adapter statt eines modifizierten Modells
Hermit trainiert einen adaptateur de harness, das heißt eine externe, trainierbare Komponente, die an einen bestehenden Agenten angehängt wird. Der Harness bezeichnet hier die Gesamtheit von Anweisungen, Werkzeugen und Regeln, die das Funktionieren eines Agenten umrahmen. Das Basismodell sowie der Harness bleiben unverändert. Der Adapter kann Anweisungen, wiederverwendbare Fähigkeiten, ein Gedächtnis, Werkzeuge, ausführbaren Code, sogar die Koordinationslogik mehrerer Agenten enthalten und kann sogar die Form eines kompletten Repositories annehmen.
Laut dem Team beantwortet diese Wahl drei Gründe. Viele Harnesses sind geschlossen, Änderungen an einem offenen Harness können sorgfältig abgestimmte Interaktionen zerstören, und ein trainierter Adapter kann zwischen kompatiblen Modellen und Harnesses übertragen werden. Im Gegensatz zu einem Modell‑Adapter wie LoRA, der das Modell selbst verändert, wirkt dieser also auf den Agenten.
Eine Trainingsschleife in fünf Schritten
Hermit nutzt eine Trainingsschleife vom Typ Reinforcement Learning. Ein Trainer lässt den Agenten mit dem aktuellen Adapter eine Reihe von Aufgaben ausführen, dann bewertet ein juge die Ergebnisse. Ein Evolver liest die Trajektorien und Rückmeldungen und schlägt einen neuen Adapter vor. Der Trainer prüft diesen Vorschlag anhand einer Vorlage, bevor er ihn als nächste Version speichert.
Jede Version wird in einem Git‑Baum gespeichert, sodass sie inspiziert, zurückgerollt oder verbreitet werden kann. Lernprogramme können in einer Sandbox ausgeführt werden, die Linux mit bubblewrap erfordert. Fünf Evolutionsmethoden stehen zur Verfügung: GEPA, SkillOpt, MetaWorld Model (MWM), Harness² und Continual Harness. ACE und ReHarness werden demnächst verfügbar sein, und Nutzer können ihren eigenen Evolver schreiben.
Selbst deklarierte Ergebnisse
Alle vorgestellten Tests verwenden GLM 5.3 Flash als agierendes Modell. Die Zahlen stammen aus den README‑Beispielen des Repositories und sind selbst deklariert. Auf OfficeQA, das 172 Fragen zu den US‑Treasury‑Bulletins mit einem exakten Übereinstimmungskriterium stellt, steigt die Genauigkeit von 0,541 ohne Adapter auf 0,651 für Harness². Auf CL‑Bench erreicht MWM 0,795 bei Datenbankexploration, gegenüber 0,580 für das In‑Context‑Learning‑Baseline. Auf ServeLearnBench, das 624 Support‑Anfragen in einem Rahmen mit versteckter Richtlinie bearbeitet, erzielt MWM 45,3 gegenüber 28,7 für CH und 89,2 für ein Oracle, das die Richtlinie kennt. Für den letzten Test wurde nur ein Durchlauf durchgeführt, und die meisten veröffentlichten Ergebnisse stammen ebenfalls aus einem einzelnen Durchlauf.
Im Deployment‑Bereich lässt sich Hermit mit pip install hermit-harness installieren. Der Befehl hermit deploy erzeugt einen Arbeitsbereich für Codex, Claude Code oder Pi, während hermit convert einen trainierten Adapter als natives Plugin für Codex, Claude Code, Pi oder Hermes exportiert. Die Modelle werden in der Form / angegeben, darunter Fireworks, OpenAI, Anthropic, DeepSeek, vLLM, SGLang und Ollama. Das Repository enthält zudem einen Kollaborations‑Adapter für Lean, der fünf Codex‑Agenten koordiniert, die gemeinsam denselben Satz beweisen sollen.
