像学生反复做同一套卷子，Agent——能在软件、网页等环境里连续行动的 AI——一旦练熟固定基准，也很难再学到新东西。InfoQ 报道，谷歌研究人员开源 EnvHarness：它会根据 Agent 暴露的短板，边运行边调整任务环境，而不用改动 Agent、底层任务或评分器。
EnvHarness 像套在原环境外的一层可编程外壳。它沿用 reset() 和 step()——分别负责开始一轮任务、提交动作并取得反馈——并用三类组件改变初始状态、行动规则和 Agent 看到的信息。配套的 EnvRigger 会分析行动轨迹，找出反复失败之处，再生成并验证针对性的环境改动。换句话说，考题会跟着学习者的弱项变化。
据研究人员自述，加入这层封装后，Gemini、Qwen 和 Claude 的多个受测模型在 WebArena、SWE-bench Verified、ALFWorld 等基准上均提升 2.9 至 3.7 个百分点。它值得关注之处不只是分数，而是把 Agent 评测从一成不变的沙箱，推向能持续提供新反馈的任务环境。