O laboratório Infini-AI-Lab publicou Hermit, um framework open source de adaptação de harness para agentes de inteligência artificial. A sua primeira versão, a v0.1.0, foi lançada a 25 de outubro de 2026, e o investigador Haizhong Zheng, pós-doutorando na CMU, anunciou-a no X a 27 de outubro. O objetivo declarado dirige-se aos programadores: adaptar agentes Codex ou Claude Code a novas tarefas, sem re-treinar o modelo nem modificar o harness.
Um adaptador externo em vez de um modelo modificado
O Hermit treina um adaptador de harness, ou seja, um componente externo e treinável que se acopla a um agente existente. O harness designa aqui o conjunto de instruções, ferramentas e regras que enquadram o funcionamento de um agente. O modelo base e o harness permanecem fixos. O adaptador pode conter instruções, competências reutilizáveis, memória, ferramentas, código executável, ou até a lógica de coordenação de vários agentes, e pode mesmo assumir a forma de um repositório completo.
Segundo a equipa, esta escolha responde a três razões. Muitos harness são fechados, as modificações de um harness aberto podem quebrar interações cuidadosamente ajustadas, e um adaptador treinado pode ser transferido entre modelos e harness compatíveis. Ao contrário de um adaptador de modelo como o LoRA, que modifica o próprio modelo, este atua portanto sobre o agente.
Um ciclo de treino em cinco etapas
O Hermit baseia-se num ciclo de treino do tipo aprendizagem por reforço. Um Trainer faz executar um lote de tarefas ao agente com o adaptador atual, depois um juiz classifica os resultados. Um Evolver lê as trajetórias e os *feedbacks*, e propõe um novo adaptador. O Trainer verifica esta proposta face a um gabarito, antes de a registar como versão seguinte.
Cada versão é armazenada numa árvore git, o que permite inspecioná-la, retroceder ou difundir qualquer uma. Os programas de aprendizagem podem ser executados num *sandbox*, que requer Linux com bubblewrap. Cinco métodos de evolução estão disponíveis: GEPA, SkillOpt, MetaWorld Model (MWM), Harness² e Continual Harness. ACE e ReHarness são anunciados como brevemente disponíveis, e os utilizadores podem escrever o seu próprio Evolver.
Resultados auto-declarados
Todos os testes apresentados usam o GLM 5.3 Flash como modelo atuante. Os números provêm dos README dos exemplos do repositório e são auto-declarados. No OfficeQA, que coloca 172 questões sobre os Treasury Bulletins americanos com um critério de correspondência exata, a precisão passa de 0,541 sem adaptador para 0,651 para o Harness². No CL-Bench, o MWM atinge 0,795 em exploração de base de dados, contra 0,580 para a referência de aprendizagem em contexto. No ServeLearnBench, que trata 624 pedidos de suporte num quadro com política oculta, o MWM obtém 45,3, contra 28,7 para o CH e 89,2 para um oráculo que conhece a política. Uma única execução foi feita para este último teste, e a maioria dos resultados publicados também provém de uma execução única.
Quanto à implementação, o Hermit instala-se com pip install hermit-harness. O comando hermit deploy escreve um espaço de trabalho para o Codex, Claude Code ou Pi, enquanto hermit convert exporta um adaptador treinado sob a forma de *plugin* nativo para Codex, Claude Code, Pi ou Hermes. Os modelos são designados pela forma /, incluindo Fireworks, OpenAI, Anthropic, DeepSeek, vLLM, SGLang e Ollama. O repositório apresenta também um adaptador de colaboração para o Lean, que coordena cinco agentes Codex encarregados em conjunto de demonstrar um mesmo teorema.
