一句话看懂：Infini-AI-Lab 发布开源框架 Hermit，通过训练外部的“Harness 适配器”来适配 Codex、Claude Code 等 Agent，而基座模型和 Harness 保持冻结。这意味着开发者无需微调模型或分叉现有工具链，就能让 Agent 适应新任务。
事件核心：发生了什么
Infini-AI-Lab 于 2026 年 10 月 25 日发布 Hermit v0.1.0，采用 Apache-2.0 协议，可通过 pip install hermit-harness 安装。CMU 博士后 Haizhong Zheng 于 10 月 27 日在 X 上公布了这一消息。Hermit 是一个 Python 框架，自身不含模型参数，定位为“可训练的外部 Harness”——适配器可以承载指令、技能、记忆、工具、可执行代码乃至整个仓库，并明确哪些部分可学习、如何校验更新。
训练上，Hermit 采用类似强化学习的循环：Trainer 让 Agent 执行任务，Judge 打分，Evolver 依据轨迹与反馈提出新适配器版本，经模板校验后提交。每个版本存于 git 树，可回溯、回滚或发布。框架内置 GEPA、SkillOpt、MetaWorld Model（MWM）、Harness²、Continual Harness 五种演进方法，ACE 与 ReHarness 标注为即将推出。
目前公开信息显示，仓库自报的评测均以 GLM 5.3 Flash 为执行模型：在 OfficeQA 上，Harness² 达到 0.651，高于无适配器的 0.541；在 CL-Bench 数据库探索任务上，MWM 达到 0.795，而上下文基线为 0.580。这些数字来自示例 README，未经过第三方复现，且多数为单次运行结果。
为什么重要
Agent 的能力不仅取决于大模型，也高度依赖 Harness——即提示、工具编排与运行时逻辑。现实是许多 Harness 闭源，开源的又牵一发动全身，改动容易破坏组件间已调好的交互。Hermit 把“适配层”单独拿出来训练，让模型和 Harness 都不动，相当于在不动地基的情况下换装可迭代的上层结构。对开源 Agent 生态而言，这提供了一种介于提示工程与模型微调之间的新路径，也降低了把 Codex、Claude Code 迁移到垂直任务的成本。目前公开信息显示，其与 GEPA、Agent Lightning 的差异主要在“不改变模型权重”和可导出插件式部署。
对用户/开发者/创作者的影响
对开发者，Hermit 的吸引力在于离线 Quick Start 无需 GPU、模型账号或数据集；真实运行可接任意 API 后端，或本地 vLLM、SGLang、Ollama 服务。CLI 覆盖 check、train、eval、deploy 和 convert，适配器可部署到 Codex、Claude Code、Pi 等目标。对使用 Agent 做内容生产或企业自动化的团队，这意味着可以针对垂直任务积累“可训练的配置资产”，而不是反复手调提示词。不过需要注意，学习程序沙箱运行依赖 Linux 与 bubblewrap，且当前评测仅覆盖有限任务，不能外推为普遍性能提升。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，ACE 与 ReHarness 何时落地，以及自定义 Evolver 的社区生态能否形成。第二，自报数据能否被第三方在相同任务与模型条件下复现，尤其是多次运行的方差。第三，适配器在闭源 Harness 上的实际兼容性，以及部署到生产环境后的维护成本。这些将决定 Hermit 是停留在研究演示，还是成为 Agent 工具链中的常用组件。
