LongHorizon-Harness přidává agentům jako Codex, Claude Code, OpenCode nebo DeepSeek Harness provozní smyčku pro dlouhou práci nad počítačem. Projekt AMAP-ML rozděluje úkol na krátké kroky a mezi nimi ukládá jen stav potvrzený v reálném prostředí. Agent tak po obnovení kontextu nenavazuje na vlastní dlouhou konverzaci, ale na záznam toho, co vzniklo a co ještě chybí. Hodí se pro práci, která přeskakuje mezi terminálem, prohlížečem a desktopovými aplikacemi.
Metodiku popisuje preprint Ziyu Ma a dalších sedm autorů. V každém kole manažer vybere další omezený podúkol a předá jej exekutorovi s čerstvým kontextem. Nezávislý auditor pak v režimu pouze pro čtení prohlédne soubory, aplikaci nebo logy; teprve jeho zpráva smí změnit trvalý stav úkolu. Tím se odděluje samotné provedení od tvrzení, že je hotovo.
Autoři v experimentu se stejným modelem Qwen 3.7-Plus a stejným backendem Claude Code uvádějí na WeaveBench nárůst úspěšnosti z 51,8 % na 80,7 %. Na Terminal-Bench 2.1 naměřili posun z 69,7 % na 77,2 % a na OSWorld 2.0 vzrostlo úplné splnění desktopových úloh z 2,8 % na 8,3 %. Jde o výsledky autorského preprintu. Jeho sázka je čitelná: spolehlivost dlouhého běhu může zlepšit i organizace práce kolem stejného modelu.
Nástroj se instaluje přes uv tool install lh-harness nebo pip. Pro samotné provedení potřebuje na cestě alespoň jedno podporované agentní CLI; pro úlohy s grafickým rozhraním se doplňuje příslušný computer-use plugin.
Zdroje:
