给搜索Agent装上「外脑」：Harness-1 让20B模型干翻闭源巨头

一句话总结：Harness-1 把搜索 Agent 从"记账员+推理员"的双重身份中解放出来——它让环境端负责管理候选池、证据图、验证记录，让20B的小模型只专注于做语义决策。结果：8个基准平均召回73%，超越多个闭源巨头，迁移能力更是源域的2.2倍。

一、痛点：为什么搜索 Agent 总是"脑子不够用"？

想象一个研究员在做文献综述。她需要：

1. 从数据库里搜出相关论文
2. 记住哪些看过了、哪些还没看
3. 对比不同论文的结论，找出矛盾
4. 验证某个关键数据是否被多个来源支持
5. 决定什么时候搜集够了，可以开始写综述

这些任务中，第1步和第5步是语义决策——需要真正理解研究主题。而第2-4步是状态管理——记录、分类、交叉引用、验证。一个聪明但记忆有限的人，最大的瓶颈往往不是"理解"，而是"记清楚自己都干了什么"。

现在的 AI 搜索 Agent 正是这个困境的放大版。传统训练方式把整个对话记录塞进模型上下文，让 RL 同时优化两种截然不同的事情：

• 语义决策：搜什么、保留什么、验证什么、何时停止
• 状态管理：候选文档池维护、重要性排序、跨文档关联追踪、已验证声明的记录

结果很糟：上下文膨胀导致优化条件变差，奖励信号稀疏（空集奖励无法区分失败原因），跨文档的结构信息被淹没在对话流里无法利用。

Harness-1 的核心洞察很简单：

能外包给环境做的工作，就别让策略模型操心。

二、核心创新：State-Externalizing Harnesses（状态外化工作台）

Harness-1 的设计哲学不是"让模型更聪明"，而是"让模型更专注"。

它把搜索 Agent 的交互界面从"对话流"改造成一个结构化状态机：

┌─────────────────────────────────────────┐
│           策略模型 (Policy, 20B)          │
│  • 搜索什么 (what to search)            │
│  • 保留/丢弃哪些文档 (keep/discard)      │
│  • 验证什么声明 (what to verify)        │
│  • 何时停止 (when to stop)              │
└─────────────┬───────────────────────────┘
              │ 结构化动作
┌─────────────▼───────────────────────────┐
│         Harness 状态机（环境端）         │
│  • Candidate Pool P_t                   │
│  • Curated Set C_t + Importance I_t     │
│  • Evidence Graph G_t                   │
│  • Verification Records V_t             │
│  • Full-text Store D_t                  │
│  • Search History H_t                   │
│  • Budget Marker B_t                    │
└─────────────────────────────────────────┘

这不是一个 API 封装，而是一个**认知卸载（Cognitive Offloading）**的架构设计。让我逐个解释这些状态组件为什么重要：

1. Candidate Pool（候选池）

每次搜索后，所有结果不是直接塞进模型上下文，而是先进入候选池。系统会自动压缩（Sentence-BM25 保留 Top-4 句）和去重（MinHash 去重），然后呈现给模型一个结构化摘要。

模型不需要在 200 个 raw chunks 中大海捞针。它面对的是已经清洗过的候选列表，带着相关性分数和元数据。

2. Curated Set（精选集）+ 重要性标签

这是 Harness-1 最核心的设计。策略模型不是直接在候选池上做决策，而是维护一个最多 30 篇文档的精选集（Curated Set）。每篇文档被标记为四级重要性：very high / high / fair / low。

模型的决策包括：把哪篇从候选池加入精选集、把哪篇从精选集降级或移除、提升哪篇的重要性。这是一个显式的筛选过程，而不是传统 RAG 那种隐式的 top-k 截断。

消融实验直接证明了重要性标签的价值：如果把 FIFO 机制替代重要性标签，recall 下降 4.1%。因为模型失去了"这篇比那篇更重要"的判别能力，只能机械淘汰。

3. Evidence Graph（证据图）

当搜索涉及多跳推理时，一个关键挑战是：实体 A 在文档 X 中提到，实体 B 在文档 Y 中提到，但实体 A 和 B 的关系在文档 Z 中。传统方式下，模型需要自己记住这些跨文档关联。

Harness-1 的证据图自动维护一个轻量级的实体-文档双向映射。模型能看到：

• 哪些实体出现在哪些文档中
• 哪些文档是"桥接文档"（连接多个实体的关键文档）
• 哪些实体只有单篇文档支持（singleton，需要额外验证）

这不是完整知识图谱，而是专为搜索任务优化的结构化证据视图。隐藏证据图后，recall 下降 2.6%——别小看这个数，在信息检索的尾部，2.6% 可能就是找到关键证据和错过它之间的区别。

4. Verification Records（验证记录）

模型可以在任何时候提出一个待验证声明（比如"公司X在2023年的收入是Y"），并指定用哪篇文档来验证。Harness 会记录这个验证的结果：支持、不支持、或无法判断。

这个机制有两个作用：

• 给模型一个"我确认过这个信息"的安全感，减少幻觉
• 给验证过的声明额外奖励，鼓励主动验证而非盲目采信

如果禁用 verify 工具，recall 下降 3.1%。因为模型失去了高置信提升的验证支撑，只能依赖更保守的猜测。

5. Budget Marker（预算标记）

传统搜索 Agent 对上下文消耗没有显性感知，直到碰到硬截断。Harness-1 在每个回合后注入 [Token usage: 14,203/32,768]，让模型始终知道自己还有多少预算。

当使用量超过软阈值（30,720 tokens），Harness 会提示模型开始精简或收尾。超过硬截断时，只有 prune 和 finish 动作被允许。这创造了一个预算感知的决策空间——模型必须在"搜集更多证据"和"保留上下文空间"之间做权衡。

三、训练方法：为什么 SFT + RL 在 Harness 里更有效？

Harness-1 的训练分两个阶段：

阶段一：SFT 热身（监督微调）

使用 Kimi K2.5 等强模型生成 899 条高质量搜索轨迹，过滤标准：

• 轨迹召回 > 50%（过程中至少碰到了半数目标文档）
• 输出召回 > 40%（最终精选集包含的目标文档比例）
• 低召回轨迹按比例混入（最多 5%），作为负例
• 探索好但收尾差的轨迹被排除（轨迹召回远高于输出召回，说明模型不会收敛）

SFT 不是为了让模型"学会正确答案"，而是让模型学会正确的行为模式：并行工具调用、查询分解、精简决策。这些行为先验（behavioral priors）被写入接口，而不是让 RL 从零摸索。

阶段二：RL 优化（CISPO）

在 SFT 检查点（step-550）基础上，用 on-policy CISPO 进行强化学习。训练规模：128 条 query × 8 条 rollout = 1024 条/步，共 80 步，约 82K 总 rollout。

奖励函数是一个多目标组合：

R = 精选集质量（偏重召回）
  + 轨迹覆盖（过程中是否碰到过目标文档）
  + 答案证据（最终答案是否有目标文档支持）
  + 答案发现奖励（找到了答案就给额外奖励）
  + 工具多样性（防止策略坍缩为只搜不筛选）
  - 答案遗漏惩罚（碰到了但没放进精选集）
  - 回合惩罚（鼓励尽早收敛）

特别值得注意的是工具多样性奖励（w_div = 0.15）。没有它时，模型会迅速坍缩为"只搜索不筛选"模式——因为搜索是最直接增加轨迹召回的方式，而筛选和验证看起来"费力不讨好"。但 diversity 奖励迫使模型保持搜索-筛选-验证的均衡节奏，这是最终高 recall 的关键。

消融实验清楚显示了这个效果：

四、实验结果：8个基准，全面碾压

核心数字

完整排名

最惊人的发现：迁移能力

Harness-1 的 RL 训练只在一个基准（SEC 金融财报）上进行。但它的测试横跨 8 个基准，包括 4 个完全没见过的迁移基准（LongSealQA、Seal0QA、FRAMES、HotpotQA）。

结果：

为什么迁移更强？因为策略学习的是在显式搜索状态上的操作——这些操作是跨领域通用的。"把这篇文档从候选池加入精选集并标记为 high"这个动作，在专利搜索和 Web 多跳 QA 中是一样的。而传统端到端训练的模型学习的是领域特定的模式，换个领域就抓瞎。

论文把这叫作：

"The policy is learning operations over a domain-general search state."

这是 Harness-1 最有价值的结果：显式搜索状态比隐式对话历史更易泛化。

消融实验：Harness 机制协同验证

在 BrowseComp+ 上，逐个禁用 Harness 机制：

关键洞察：全部禁用 > 任何单一禁用，说明机制间存在协同效应。Harness 不是几个独立功能的叠加，而是一个有机整体。

五、数据效率：4K 训练 > 22万条训练的竞品

Harness-1 的训练数据量出奇地少：

• SFT：899 条过滤轨迹
• RL：4,352 条独特训练 query（128 × 80 步，但有很多重复被去重）

对比竞品：Search-R1 用了 8K 条，Qwen3 用了 221K 条。

Harness-1 的数据效率来自一个关键设计：行为先验被移入接口。SFT 阶段不是教模型"怎么找到答案"，而是教模型"怎么使用这个工具集"。RL 阶段不是让模型从零学搜索策略，而是让模型在已有行为先验上优化语义决策。

这就像教一个人开车：你不是让他从理解内燃机原理开始，而是告诉他方向盘、油门、刹车在哪，然后让他在路上练习。Harness 就是那个"告诉他工具在哪"的接口。

六、局限：诚实评估

Harness-1 不是万能药，论文明确指出了几个局限：

1. 任务范围狭窄

面向的是证据检索（needle-in-haystack / multi-hop），不是开放域报告生成。如果你的目标是"写一份关于气候变化的政策综述"，Harness-1 能帮你在海量文档里找到支撑证据，但它不会替你组织论述结构、权衡对立观点、生成可读文本。

2. 证据图过于简化

当前的实体提取只是轻量级 regex（正则匹配），不是完整的实体链接系统。如果两个文档用不同的名字指代同一个人（"马云"和"Jack Ma"），Harness-1 不会自动把它们关联起来。这需要更复杂的实体消歧，论文把这叫作"未来工作"。

3. LLM 验证器会出错

验证模块本身依赖 LLM 判断"声明是否被文档支持"。在技术细节或模糊声明上，这个判断可能出错。一个错误的验证结果会给模型错误的安全感，导致它在错误证据上高置信收敛。

4. 句子压缩可能丢失上下文

Sentence-BM25 压缩保留了 Top-4 句子，但某些关键信息依赖 discourse structure（比如"虽然 A 看起来成立，但 B 实际上推翻了它"——如果 A 和 B 不在同一个 Top-4 句子里，模型可能只看到 A）。模型可以通过 read_document 获取全文，但 budget 有限，这个折衷不会消失。

5. 伦理风险

搜索 Agent 可能检索到敏感、版权或偏见信息。Harness-1 本身没有访问控制机制，需要在上层应用中做过滤和人工监督。

七、行业启示：接口设计即方法

Harness-1 的论文标题里有句话：

"The interface itself is part of the method."

这句话值得整个行业深思。

传统上，我们训练 AI 的方法是：给模型一个通用接口（比如文本输入/输出），然后扔海量数据让它自己学。Harness-1 走的是另一条路：先把问题理解清楚，然后设计一个结构化接口把"容易的部分"外包给环境，让模型只学"困难的部分"。

这个思路可以推广到很多场景：

• 代码 Agent：让环境维护 AST 和符号表，模型只负责生成修改建议
• 数据分析 Agent：让环境维护数据 schema 和统计摘要，模型只负责提出假设
• 医疗诊断 Agent：让环境维护病历时间线和检查指标，模型只负责诊断推理

不是每个问题都需要一个万亿参数的模型。有时候，一个设计精良的接口 + 一个专注的小模型，比一个通用的巨无霸更有效。

Harness-1 用 20B 参数超越了 120B 的 GPT-OSS-120B，也超越了 Kimi-K2.5 和 GPT-5.4 这样的闭源巨头。这个结果的工程意义远大于学术意义：它证明检索能力不是模型大小的函数，而是接口设计的函数。

八、结论：值得关注的方向

Harness-1 是 2026 年 AI 搜索领域最扎实的工程研究之一。它没有提出新的模型架构，没有训练更大的模型，而是重新设计了搜索 Agent 的交互界面——把状态管理从策略模型中剥离，让 RL 专注于语义决策。

结果是：8 个基准平均 73% 召回，超越多个闭源巨头，迁移能力比源域更强 2.2 倍。全部用 20B 参数和 4K 训练 query 完成。

对实际应用的建议：

• 如果你在做多跳文档检索（法律、金融、科研、合规），Harness-1 的架构值得参考
• 如果你在做通用问答，Harness-1 需要配合一个生成模型（如论文中的三阶架构：检索→整理→生成）
• 如果你关心数据隐私和部署成本，20B 模型可以在本地运行，不用调用闭源 API

代码和权重已开源：https://github.com/pat-jj/harness-1

参考链接：

• 论文 arXiv: https://arxiv.org/abs/2606.02373
• 代码仓库: https://github.com/pat-jj/harness-1
• Chroma Context-1 技术报告: https://www.trychroma.com/research/context-1
• Chroma 博客解读: https://atalupadhyay.wordpress.com/2026/03/27/chroma-context-1-the-self-editing-search-agent-that-changes-how-we-build-rag-systems/
• 相关论文《Storage Is Not Memory》: https://arxiv.org/html/2605.04897v1

#Harness-1 #搜索Agent #RL #StateExternalizing #Chroma #信息检索 #AIAgent