Google, ajan eğitim ortamlarını zayıflıklara göre uyarlayan EnvHarness’i açık kaynak yaptı

EnvHarness, modeli değiştirmeden eğitim ortamının yalnızca arayüz katmanını adapte ediyor ve benchmark sabit kalırken ajanı zayıf noktalarına göre yeniden yönlendiriyor.

Google araştırmacıları, agent-training ortamlarını bir ajanın zayıflıklarına göre dinamik biçimde uyarlayan EnvHarness adlı çerçeveyi açık kaynak olarak yayımladı. Bu yaklaşım, ajanı, ortamı ya da değerlendirme sistemini değiştirmeden çalışıyor; amaç, sabit benchmark yerine ajanın zorlandığı kısımlara göre ortamı ayarlamak.

EnvHarness, var olan bir ortamı standart reset() ve step() arayüzü üzerinden sarıyor ve üç tür birleştirilebilir bileşen sunuyor: setup ortamın başlangıç durumunu özelleştiriyor, rule ajanın eylemlerine karşı durum geçişlerini sınırlandırıyor, link ise ajana gösterilen gözlemi özelleştiriyor. Çerçeve aynı zamanda EnvRigger adlı bir katman ekliyor; bu katman ajanın davranışını analiz ederek tekrarlayan zayıflıkları saptıyor, hedefli değişiklikler üretiyor ve bunları yeni etkileşimlerle doğruluyor.

Google’ın çalışmasına göre EnvHarness katmanı eklendiğinde, çekirdek mantık değişmeden WebArena, SWE-bench Verified ve ALFWorld üzerindeki performans arttı. Araştırmacılar Gemini 3.1 Flash-Lite, Qwen3.6 27B, Gemini 3.5 Flash ve Claude Sonnet 4.6 modellerini test etti; hepsinde 2.9 ile 3.7 puan arasında kazanım görüldü.