Agent 的能力提升，未必都要从改模型开始。Infini-AI-Lab 给出的答案是：在模型和运行框架之外再包一层可训练的外部适配层。
发生了什么
Infini-AI-Lab 发布了开源项目 Hermit，采用 Apache-2.0 许可。按官方描述，它是一个「harness adapter」框架：在 Agent 的模型与 harness（负责调度、执行、工具调用的运行框架）保持不变的前提下，额外训练一层外部适配结构，内容涵盖指令、技能、记忆和工具，训练信号来自任务反馈。换句话说，Hermit 不碰底座模型权重，也不重写 Agent 的运行骨架，而是把「怎么做事」这部分经验沉淀成一个可训练、可替换的中间层。
为什么重要
过去一年 Agent 的改进路径大致有三条：换更强的底座模型、重写 harness 的编排逻辑、或者用提示词和工具配置做手工调优。前两条成本高、耦合深，第三条难以规模化复用。Hermit 的定位正好落在第三条与第二条之间——把提示词、技能库、记忆机制和工具使用策略统一视为可学习对象，用任务反馈来优化，而不是靠人反复试错。
这种「适配层」思路的价值在于解耦。模型迭代时，适配层可以保留；harness 升级时，适配层也不必推倒重来。对研究团队而言，它提供了一个相对干净的实验界面：同一套 harness 下比较不同适配策略的效果，而不必每次改动都牵动整个系统。
影响与看点
对开发者来说，最直接的意义是降低了「让 Agent 在特定任务上变好」的门槛——不必等待新模型，也不必重写框架，只需在适配层上做训练。对平台方而言，这类框架可能推动 Agent 能力以「可插拔配置」的形式流通，而非绑定在某个模型或某套 harness 上。
需要保持克制的是：摘要信息并未披露 Hermit 的具体训练方法、支持的 harness 范围、任务类型覆盖和实测效果，这些决定了它究竟是通用方法论还是特定场景的工程封装。真正值得跟踪的是后续的基准结果与社区复现情况。
一个独立判断：Agent 的竞争重心正在从「模型有多强」向「适配层做得多好」迁移，Hermit 是这一趋势下较早把适配层明确产品化、开源化的尝试，但它的说服力最终要靠可复现的任务反馈闭环来证明。
