使不断演化的AI代理框架（Harness）更具可读性、可导航和可编辑的手册

该论文提出Harness Handbook，一种通过静态分析和LLM辅助结构从代码库自动生成的行为中心表示，将每个行为链接到对应源代码。同时引入行为引导渐进披露（BGPD）方法，引导代理从高层行为逐步定位实现细节并验证候选位置。实验证明，该方法在行为定位和编辑计划质量上优于传统方法，且使用更少的规划令牌，尤其擅长处理分散代码、罕见路径和跨模块交互。

此前修改AI代理的harness需手动恢复行为到代码映射，成为演化瓶颈。Harness Handbook自动生成行为中心表示，结合BGPD引导，消除了手工查找过程，显著提升定位准确性和编辑计划质量，并减少规划阶段的token消耗。

通过静态分析提取代码结构，LLM辅助将行为描述与源代码区域链接，形成行为中心表示。BGPD从高层行为描述出发，逐步展开到相关实现细节，并利用当前源代码验证候选位置，解决了传统代码搜索和长上下文处理无法自动映射行为到代码的问题。

产品团队可直接应用该方法降低调整harness时的手工搜索和理解成本，加速迭代；减少LLM规划调用的token用量，可能降低API成本。但对现有代码库的集成需要初始分析，且方法有效性依赖于代码结构和LLM质量。

• 将Harness Handbook集成到AI Agent开发IDE中，自动生成行为文档和代码映射，降低团队维护成本。
• 为LangChain、CrewAI等开源harness框架开发插件，提供可视化的行为-代码导航功能。
• 基于BGPD构建代码修改建议辅助工具，引导LLM生成更精准的harness修改方案。

• 该方法在商业闭源或高度定制的harness代码库上的表现是否一致？
• 静态分析和LLM辅助的准确率与召回率具体数值是多少？
• 是否支持多种编程语言（如Python、TypeScript）？
• 与现有代码搜索和索引工具相比，引入的额外计算成本是否可接受？