智能体框架不再埋在控制器代码里:自然语言策略交给共享运行时执行,三个基准任务表现与代码实现相当
核心概要
智能体的外部执行框架通常与控制器代码耦合,难以检查、比较和消融。研究者把运行级框架策略写成可编辑的自然语言文档(NLAH),由共享运行时 IHR 解释为子智能体调用、交接、状态更新与验证门;在 SWE Verified、Terminal-Bench 2.0 和 OSWorld 上,IHR 执行的 NLAH 任务表现与代码框架和提示式实现处于同一区间,同时静态策略文本大幅缩短。
深度剖析
智能体的外部执行框架可以写成一份可编辑的自然语言策略文档,由共享运行时执行,而不必与控制器代码绑在一起。 此前框架逻辑通常混在紧耦合的控制器代码中,提示、工具适配、解析规则、验证脚本、重试逻辑和基准特定假设交织,使框架难以检查、移植、比较和消融。 在 SWE Verified 的 Live-SWE 上,IHR 执行的 NLAH 达到 73.0,原生代码框架为 67.0,同一文本作普通提示为 77.0;在 OSWorld 的 SeeAct 上 NLAH 为 46.3,代码框架为 47.1;在 Terminal-Bench 2.0 的 MHTBA 上 NLAH 为 53.9,提示为 57.3,代码框架为 36.0。
自然语言只承载框架策略,工具执行、解析、沙箱和日志等需要精确性的机制仍留在代码里。 运行时策略是一段固定指令,把只带终端的最小基础智能体变成 IHR,由它按文档启动子智能体、传递任务包、监督交接并记录行为。 实验统一使用 Codex CLI 0.123.0、gpt-5.4-mini 和 xhigh 推理强度,在 Ubuntu 24.04 的 Docker 容器中运行,单任务上限为 32 vCPU、84 GiB 内存和 40 GiB 存储。
启示与展望
演示范围限于 SWE Verified 的 Live-SWE、Terminal-Bench 2.0 的 MHTBA 和 OSWorld 的 SeeAct 三个框架族,全部在 Codex CLI 0.123.0、gpt-5.4-mini、xhigh 推理强度的统一设置下运行;读者应把它看作框架策略表示层的可行性证据,而非生产部署方案。
自然语言本身不精确,语义上重要的约束可能描述不足、被不同模型作不同解释,或被改写削弱,因此执行行为必须通过实际运行检查而不能从文本推断。原型运行时的编排可靠性和信息交接召回低于直接上下文的提示式实现,交接召回在父子执行下为 0.322 和 0.553。模块消融中多候选搜索把 SWE 的智能体调用从 1.1 提到 5.7,却使表现从 73.0 降到 71.4;上下文压缩在 OSWorld 上把表现从 44.4 降到 36.1。
