Hermit: опенсорс-фреймворк для адаптации ИИ-агентов без дообучения модели

Infini-AI-Lab представила Hermit — опенсорс-фреймворк для адаптации ИИ-агентов. Суть: вместо дообучения модели (как в LoRA) Hermit тренирует внешний «адаптер обвязки» (harness adapter), который подключается к агенту, не меняя ни саму модель, ни её обвязку. Разработчикам это позволяет адаптировать Codex или Claude Code под новые сценарии без форка или тонкой настройки. Первый релиз v0.1.0 состоялся 25 октября 2026 года, о чём постдок CMU Хайчжун Чжэн объявил в X 27 октября.

Фреймворк написан на Python, распространяется под лицензией Apache-2.0, устанавливается через pip install hermit-harness. Для быстрого старта не нужны GPU, аккаунт модели или датасет — всё работает офлайн. В реальных сценариях Hermit поддерживает любые API-бэкенды или локальные серверы vLLM, SGLang и Ollama. Адаптер может содержать инструкции, навыки, память, инструменты, исполняемый код и логику координации агентов — вплоть до целого репозитория. Базовая модель и обвязка остаются неизменными.

Hermit использует RL-подобный цикл обучения: тренер прогоняет задачи через агента с текущим адаптером, судья оценивает результаты, а эволвер на основе траекторий и обратной связи создаёт новую версию адаптера. Каждая версия хранится в git-дереве — можно просмотреть, откатить или запустить любую. На старте доступно пять методов эволюции: GEPA, SkillOpt, MetaWorld Model (MWM), Harness² и Continual Harness; ACE и ReHarness заявлены как «скоро». Пользователи могут писать собственные эволверы.

Производительность: на бенчмарках OfficeQA, CL-Bench и ServeLearnBench с моделью GLM 5.3 Flash адаптер MWM показал точность 0,795 на задаче исследования базы данных CL-Bench против 0,580 у baseline без адаптера. Худший результат — 0,470 у адаптера на основе промпта. Разработчики отмечают, что большинство замеров — однократные прогоны, и данные предоставлены самостоятельно.