Il laboratorio Infini-AI-Lab ha pubblicato Hermit, un framework open source di adattamento dell’harness per agenti di intelligenza artificiale. La sua prima versione, la v0.1.0, è uscita il 25 ottobre 2026, e il ricercatore Haizhong Zheng, post-dottorato alla CMU, l’ha annunciata su X il 27 ottobre. L’obiettivo dichiarato si rivolge agli sviluppatori: adattare agenti Codex o Claude Code a nuovi compiti, senza riaddestrare il modello né modificare l’harness.
- Hermit adatta agenti IA come Codex o Claude Code a nuovi compiti senza riaddestrare il modello.
- Il sistema addestra un adattatore esterno che si innesta sull’agente, lasciando fissi il modello e l’harness.
- Un ciclo di apprendimento per rinforzo, con Trainer, giudice ed Evolver, crea e registra nuove versioni dell’adattatore in un albero git.
- I risultati sono auto-dichiarati e spesso provengono da una sola esecuzione, quindi vanno letti con cautela.
Un adattatore esterno piuttosto che un modello modificato
Hermit addestra un adattatore dell’harness, cioè un componente esterno e addestrabile che si innesta su un agente esistente. L’harness indica qui l’insieme di istruzioni, strumenti e regole che disciplinano il funzionamento di un agente. Il modello di base e l’harness restano fissi. L’adattatore può contenere istruzioni, competenze riutilizzabili, una memoria, strumenti, codice eseguibile, persino la logica di coordinamento di più agenti, e può addirittura assumere la forma di un repository completo.
Secondo il team, questa scelta risponde a tre ragioni. Molti harness sono chiusi, le modifiche a un harness aperto possono rompere interazioni accuratamente regolate, e un adattatore addestrato può essere trasferito tra modelli e harness compatibili. A differenza di un adattatore di modello come LoRA, che modifica il modello stesso, questo agisce quindi sull’agente.
Un ciclo di addestramento in cinque fasi
Hermit si basa su un ciclo di addestramento di tipo apprendimento per rinforzo. Un Trainer fa eseguire un lotto di compiti all’agente con l’adattatore corrente, poi un giudice valuta i risultati. Un Evolver legge le traiettorie e i feedback, e propone un nuovo adattatore. Il Trainer verifica questa proposta rispetto a un template, prima di registrarla come versione successiva.
Ogni versione è memorizzata in un albero git, il che permette di ispezionarla, tornare indietro o diffondere qualsiasi versione. I programmi di apprendimento possono essere eseguiti in una sandbox, che richiede Linux con bubblewrap. Sono disponibili cinque metodi di evoluzione: GEPA, SkillOpt, MetaWorld Model (MWM), Harness² e Continual Harness. ACE e ReHarness sono annunciati come prossimamente disponibili, e gli utenti possono scrivere il proprio Evolver.
Risultati auto-dichiarati
Tutti i test presentati utilizzano GLM 5.3 Flash come modello agente. Le cifre provengono dai README degli esempi del repository e sono auto-dichiarate. Su OfficeQA, che pone 172 domande sui Treasury Bulletins americani con un criterio di corrispondenza esatta, la precisione passa da 0,541 senza adattatore a 0,651 per Harness². Su CL-Bench, MWM raggiunge 0,795 in esplorazione di database, contro 0,580 per il riferimento di apprendimento in contesto. Su ServeLearnBench, che tratta 624 richieste di supporto in un quadro a politica nascosta, MWM ottiene 45,3, contro 28,7 per CH e 89,2 per un oracolo che conosce la politica. Una sola esecuzione è stata effettuata per quest’ultimo test, e la maggior parte dei risultati pubblicati proviene anch’essa da una singola esecuzione.
Per quanto riguarda il deployment, Hermit si installa con pip install hermit-harness. Il comando hermit deploy scrive uno spazio di lavoro per Codex, Claude Code o Pi, mentre hermit convert esporta un adattatore addestrato sotto forma di plugin nativo per Codex, Claude Code, Pi o Hermes. I modelli sono designati dalla forma /, con in particolare Fireworks, OpenAI, Anthropic, DeepSeek, vLLM, SGLang e Ollama. Il repository presenta anche un adattatore di collaborazione per Lean, che coordina cinque agenti Codex incaricati insieme di dimostrare uno stesso teorema.
