谷歌开源 EnvHarness：让训练环境追着智能体的短板跑，多个基准涨 3 个点

一分钟速览

• 谷歌开源 EnvHarness：一层可插拔的封装，包裹住静态训练环境，按智能体的短板动态改写环境行为。
• 不需要改智能体、不改底层环境、不改评估逻辑，只封装标准的 reset 与 step 接口。
• 提供 setup、rule、link 三类组件，分别定制初始状态、状态转移约束与观测呈现。
• 配套的 EnvRigger 会分析智能体的反复失误，自动生成并验证环境修改方案。
• 在 WebArena、SWE-bench Verified、ALFWorld 上，多个模型性能提升 2.9 到 3.7 个百分点。

一个被忽略的死角：环境不会变

自我进化型智能体这两年很热闹。它会重写提示词，会给自己加技能，会把失败经验存进记忆，会在下一轮尝试里换一种策略。听起来像一个会成长的东西。

但它几乎从不调整自己身处的环境。任务集是固定的，初始状态是固定的，规则是固定的，反馈也是固定的。于是出现一个很尴尬的结局：当智能体把这一批题刷明白之后，这套环境就再也教不了它任何新东西了。它不是学不动了，是没有新东西可学。

造新环境当然是一种解法，但成本高得离谱。需要领域流水线，需要人工设计，需要一套验证器来判断新环境是否合格，而验证器本身既昂贵又不可靠。更麻烦的是，造出来的环境依然是静态的，用一段时间就会再次失效。

谷歌研究团队的做法是换一个思路：不造新环境，改造旧环境的接口。

EnvHarness 到底做了什么

EnvHarness 是一层编程封装，套在现有环境外面，只改变智能体与环境的交互方式。底层环境的结构不动，评估体系不动，基准测试的人工校验器也不动。

它提供三个可组合的组件。setup 负责设定初始状态，比如把一道题的开局换成更难一点的版本，或者补上一个缺失的前提条件。rule 约束状态转移，在智能体执行动作时动态改变哪些操作是允许的、哪些会失败。link 负责观测呈现，同一个环境状态可以以不同方式告诉智能体，改变的是信息的组织方式，而不是信息本身。

这三样东西拼起来，就能针对一个具体的失败模式做出定向的环境变异。智能体总在某个环节漏掉边界条件，就改观测呈现；总在某个子任务上过早结束，就收紧状态转移；总在固定开局下取巧，就换初始状态。

关键在于这层封装是解耦的。环境变异策略不进入智能体的训练逻辑，也不需要环境生成流水线去跑昂贵的验证器。它只是换了一套题面，题还是那些题。

EnvRigger：把”改哪儿”也自动化

光有工具还不够，因为大多数人并不知道该改哪里。EnvRigger 就是为这个问题准备的。

它先分析智能体的运行轨迹，找出反复出现的薄弱点，再生成有针对性的修改方案，然后用新的交互去验证这次修改是否真的有效。无效就丢掉，有效就保留。这个循环反复跑，智能体和环境就形成了一种共同进化：智能体变强，环境随之变难；环境变难，智能体又被逼出新能力。

研究团队强调，这种提升会随定制任务的数量累积，而不是一次性收益。这一点比单个基准上的涨分更重要——它意味着方法本身具备可扩展性，而不是针对某个榜单调出来的技巧。

实验里，加上 EnvHarness 之后，Gemini 3.1 Flash-Lite、Qwen3.6 27B、Gemini 3.5 Flash 和 Claude Sonnet 4.6 在 WebArena、SWE-bench Verified、ALFWorld 上的成绩普遍提升 2.9 到 3.7 个百分点，而模型的核心逻辑一行没改。

为什么这件事对 Agent 训练重要

当下的智能体训练有一个隐性瓶颈：公开基准正在被吃干。SWE-bench 这类数据集一开始足够难，但模型迭代几轮之后，剩下的题就成了噪声，涨分变成对训练集的记忆，而不是能力的迁移。

业界的应对方式通常是两条：一是不断造新基准，二是用模型自己生成任务。前者是人力密集的地毯式推进，后者容易陷入自我循环——模型自己出的题，往往正好落在它自己的舒适区里。

EnvHarness 提供的是第三条路：不换题，换题面。它承认原始任务和人工校验器是有价值的资产，然后在这个资产上做定向的难度调制。这种做法在工程上更省，在评价上也更干净，因为评估逻辑始终没动，涨分不太可能来自评测漏洞。

对做 Agent 产品的团队来说，这套东西的现实意义在于：你不需要为了提升能力去重建一整套训练环境，你只需要找到模型在哪一步反复跌倒，然后给那一步加一点压力。这个思路甚至可以直接搬到线上——用真实用户的失败轨迹，生成下一轮训练用的环境变体。

当然，它也有边界。环境变异的有效性依赖”薄弱点可识别”这个前提，如果模型的失败是分散的、随机的，EnvRigger 就抓不住主线。另外，这种共进化一旦跑起来，难度会持续上升，如何避免训练分布偏离真实使用场景，是接下来要回答的问题。