通往真实世界的最后一公里：作为可复用积木的智能体原生原语（Agent-Native Primitives） The Last Mile to the Real World: Agent-Native Primitives as Reusable Building Blocks for Solving Real-World Tasks
给每份资源配常驻LLM使其会用自己，再按任务组装、按证据修订，打通真实任务最后一公里
前置知识
Agent Harness（智能体线束/脚手架）
Harness 是围绕大模型的一段控制程序，决定观察如何进入模型、工具如何执行、何时重试、何时终止，例如 Codex 之于 GPT、Claude Code 之于 Claude，或 ReAct 的「思考-行动-观察」循环。模型能力固定时，harness 决定同一模型在真实任务上的成败。本文把它形式化为映射 $H$：运行任务 $q$ 产生轨迹 $\tau$，由任务自身的验收程序（测试、证明检查器、答案钥匙）打分 $R_q(\tau)\in[0,1]$。
本文的核心问题正是「每个任务的 harness 应该怎么造」：HEELO 主张用可复用原语按任务组装 harness，理解 harness 概念才能看懂它与固定 harness、harness 搜索类工作的本质区别。
Function Calling 与参数落地（schema binding / grounding）
函数调用要求模型按工具的 JSON schema 生成合规参数，并把每个参数的取值落到具体对象上——尤其是把上一次调用的输出填进下一次调用的输入。工具目录一大、调用一嵌套，模型就容易写错参数或产生幻觉值；NESTFUL 等基准专门考察这种嵌套调用序列，xLAM 等在平坦轨迹上微调的模型在该基准上全序列准确率接近 0。
「应用资源」的第一层就是落地参数。Tool Primitives 的核心主张正是把这一步从调用者搬进工具自身的常驻 LLM，是全文动机最直接的例子。
RAG 与两阶段检索-重排
检索增强生成把外部文本切块、嵌入、按相似度取回后拼进上下文；多跳问答（HotpotQA、MuSiQue）需要串联多个证据。其结构性短板是：相似度先选出一个候选池，后面的重排器只能在池内排序，池里漏掉的内容永远无法恢复——本文命题 3.3 用 $hit@k\le \mathbb{1}[\mathcal{S}_m(q)\cap\mathcal{U}_q\ne\emptyset]$ 形式化了这一天花板。
Knowledge/Navigation Primitives 的对照基线是 Hybrid RAG、RAPTOR、HippoRAG 2；Math Primitives 的自荐式选择正是为了绕开两阶段检索的覆盖天花板。
KV Cache 复用与 RoPE 位置重索引
Transformer 推理时把每层的 Key/Value 缓存下来避免重复计算；RoPE 用旋转位置编码把 token 的绝对位置编进 Key。若多个智能体共享同一个 LLM，一个智能体可以直接读另一个的 KV cache 实现「潜空间通信」，但接收方读到的 Key 带着发送方时的位置，必须按新位置重新索引（re-indexing）才能保持语义正确。
Agent Primitives 让原语内部的智能体用 KV cache 通信；论文消融显示去掉 RoPE 重索引后 R1/Llama-70B 在 HumanEval+ 上从 85.3% 跌到 31.1%，是理解其结果的关键技术细节。
Lean 形式化定理证明
Lean 4 把数学证明写成代码、由内核逐条机器检查，Mathlib 是其大型数学库。LLM 证明器生成证明、依据编译器报错做整证明修复（whole-proof repair），hit@k 衡量前 $k$ 个候选是否包含正确要素。证明「方法」是否适用于当前目标（如 AM–GM 不等式需要 $a_i\ge 0$ 而目标并未给出该条件）是相似度检索和 LLM 重排都难以可靠判断的。
Math Primitives 把证明方法打包成 Method Contract（前置条件 Pre、目标动作、Lean 脚手架、残余义务），其「自荐式选择」正是为了解决方法适用性这个检索回答不了的问题。
MCP（Model Context Protocol）
MCP 是让外部工具/服务以统一接口接入智能体的开放协议，Claude Code、Codex、Cursor 等都可作为 MCP 客户端调用远端工具。第三方平台借此可以把真实动作（订票、发邮件、爬网页、渲染文档）注册成智能体可直接调用的工具，并保留会话状态、追问缺失信息。
heelo.dev 平台正是通过 MCP 服务器把 HEELO 的真实世界原语暴露给 Claude Code 与 Codex；46 个真实任务「单打 vs 接 HEELO」的前后对比全部经由这一通道完成。
研究动机
前沿模型与其专用 harness 在公开真实任务基准上仍远未解决：Terminal-Bench 4.0 最高推理档位下，GPT-5.6 Sol 配 Codex 只解决 37.3% 的任务，Claude Opus 5 配 Claude Code 为 51.8%；DevOps-Gym 四阶段上两者平均成功率仅 49.9% 与 52.1%；τ²-Bench 航空域里 Claude-4.6-Sonnet 也只有约一半任务能在四次独立试验中全部成功。作者把这些失败定位在「够到资源」与「用好资源」之间的最后一步，称为通往真实世界的最后一公里，表现为三点：应用要落地——工具调用的每个参数都要落到具体对象，常取自更早调用的输出，还要遵守环境规则；组合要连通——一步的返回值必须以可用形式送达消费它的步骤；失败要可追溯——环境里观察到的失败必须能追回到它牵连的工作。现有方法（工具学习、检索与记忆、技能库、多智能体框架、workflow 搜索与 harness 生成器）只是把资源送到调用者面前，把「会用」的能力留给调用者或折进单体 agent，于是每个 harness 都要为每个任务重建这种能力：调用者要读的内容随库增长，学到的能力随任务结束丢弃，结果也难以核查。
本文的目标是本文要回答的问题是：智能体如何端到端地完成一个真实世界任务？作者给出的目标是把「应用资源」的能力随资源本身携带，而不是反复交给调用者重建。具体分三层：第一，定义一类可复用的基本单元——agent-native primitive，让每个工具、代码组件、证明方法、源文档、多智能体计算模式、仓库文件乃至 harness 控制操作都自带一个常驻 LLM，会用自己、能与其他原语通信；第二，提出统一的 harness 工程框架 HEELO，按任务从演化的原语库中选件组图、按环境证据修订、验证后发布入库，使能力可以跨任务存续；第三，在八类真实任务、二十余个公开基准以及 heelo.dev 平台的 46 个带真实账号与副作用的任务上系统验证该路线，使每个新任务域都能作为一个新的原语族纳入同一框架。
与已有工作不同的是，独特之处在于「能力随资源走」这一视角转换与跨领域统一抽象。此前工作的单位——函数、代码组件、引理、段落或记忆、角色或团队、harness——都保留资源而把应用能力留给调用者，或锁死在单体里；本文让被动构件变成会推理、会互发消息的主动参与者。其次，八篇伴随研究（工具、代码、定理证明、知识、多智能体、软件工程、大信息空间、harness 本身）被统一为一个定义加三个机制：库选择与组合、基于证据的执行与改进、验证与发布，并用三条命题刻画该设计——激活数被任务需求界定、按任务组合何时优于最优固定 harness、相似度重排的覆盖天花板。最后配套 heelo.dev 平台与 46 个真实任务，把评估从环境冻结、评分器固定的研究基准推进到有真实服务、账号与人的场景。
核心方法
直觉：与其让调用者读遍所有工具手册并自己拼装，不如给每份资源配一个「懂自己的店员」——常驻 LLM。技术路线分三步。第一步定义原语：原语 $P_i$ 由资源 $a_i$、常驻 LLM $\mathcal{M}$ 与接口 $d_i$ 组成，收到自然语言请求 $x_i$ 与上下文 $c_i$ 时执行 $(r_i, m_i)=P_i(x_i;c_i)=\mathcal{M}([a_i;c_i;x_i])$，返回结果 $r_i$ 与给其他原语的消息 $m_i$；原语还可在选择前自评相关性，在返回前跑随行验证（自带测试或 schema）。第二步用三个机制工程化每个任务的 harness：COMPOSE 通过接口检索或一次读全库接口找候选，组装只含所需原语的任务专属图 $\Pi_t$；执行-验证-修订循环里 VERIFY 产出裁决与结构化反馈 $\varphi_t=(e_t,\mathcal{I}_t,u_t)$，失败只重做被牵连的原语，至多 $B$ 轮；VALIDATE 在与任务执行分离的通道上把通过测试/编译/匹配运行的新原语并入库。第三步按任务域实例化出八个原语族（Tool/Code/Math/Knowledge/Agent/Dev/Navigation/Harness），各自实现其任务所需的机制，使八篇伴随研究成为同一框架的实例。
核心创新是把「应用能力」从调用者转移到资源自身：常驻 LLM 阅读并条件化于原语拥有的资源，把 schema 绑定（Tool）、组件适配与依赖通知（Code）、方法适用性论证（Math）、源理解与有据修订（Knowledge）、计算模式复用与 KV cache 潜空间通信（Agent）、沿仓库依赖的变更路由（Dev）、按未解决需求导航（Navigation）、控制操作的选择与确定性编译（Harness）都变成资源自己的操作。与已有方法的本质区别有三：单位不同——可复用的不再是被动工件，而是带接口、会互发消息 $m_{i\to j}$ 的主动单元，调用者不必把一切细节塞进单一上下文；验证不同——随行验证与入库前独立的 VALIDATE 让能力跨任务存续，而非随轨迹消亡；组合不同——激活集 $\mathcal{A}_t$ 由任务决定，成本随 $|\mathcal{A}_t|$ 而非库大小 $N$ 增长，且命题 3.2 给出按任务组合胜过最优固定 harness 的充要条件：组合器的选择损失要小于固定 harness 的不可避缺口 $\Gamma_{\mathrm{fixed}}=\sum_i \min(\mu_i\bar{g}_i,(1-\mu_i)\bar{\kappa}_i)$。
方法步骤详情
流程：任务 $q$ 携带上下文 $c_q$（输入、环境、约束、验收标准）进入。COMPOSE 以接口检索或一次读全库接口找候选，采纳原语自评 $(s_i,u_i)$，输出计划 $\Pi_t=(\{(i,x_i)\}_{i\in\mathcal{A}_t},\mathcal{E}_t)$：$\mathcal{A}_t$ 是激活集、$\mathcal{E}_t$ 是结果与消息流动的依赖边，无原语覆盖的需求留给 harness 本身。执行轮 $t$：每个被激活原语 $P_i(x_i;c_i^t)$ 完成自己的步骤，消息在轮内送达接收者；任务状态 $S_t$ 集成各步结果，EXECUTE 运行可执行部分并记录证据 $o_t$（构建状态、测试结果、编译器消息），VERIFY 输出 $v_t\in\{\mathrm{PASS},\mathrm{FAIL}\}$ 与反馈 $\varphi_t=(e_t,\mathcal{I}_t,u_t)$。失败时 $\mathcal{C}_{t+1}=\mathcal{C}_t\cup\{\varphi_t\}$，COMPOSE 只改动 $\mathcal{I}_t$ 牵连的原语并保留未矛盾的工作，至多 $B$ 轮。任务之外，候选原语只在独立通道入库：$\mathcal{L}_{k+1}=\mathcal{L}_k\oplus\{\tilde{P}:\mathrm{VALIDATE}(\tilde{P})=\mathrm{PASS}\}$。八族在此骨架上特化：HEART 预算 $B=3$、检索 ToolFace 的 25,519 个工具；LEGO 每模块至多 5 轮修订，按检索-适配-诊断-执行四阶段；82 个方法契约经承诺门、分级排序与 runoff 选出；SourceLearn 以 24k token 激活源模型；ANTMAN 每个未解决需求至多路由 $\rho$ 次到至多一个领地 worker。
技术新颖性
可从四组对照看清新颖性。对比工具学习（ToolLLM、xLAM、DFSDT）：不是教模型写 schema 合规参数再自我精炼，而是让每个工具自带的常驻 LLM 产参——预算匹配对照里，把同样调用数用于原始 schema 上的自精炼只有 34.2%，Tool Primitives 达 75.1%。对比代码复用与仓库 agent（RAG、OpenHands、SWE-agent）：适配与依赖通知成为组件自身操作，需求沿仓库依赖路由，而非单 agent 在一条轨迹里反复重建全仓状态。对比检索与记忆（RAPTOR、HippoRAG 2、AWM）：持久化的是「可修订且修订须有源支持」的源模型，而非索引结构或任务经验。对比 MAS 与 harness 生成（MAS-GPT、MetaHarness、测试时生成 harness 代码）：复用单位是计算模式（内部以 KV cache 通信）或已实现、已验证的控制操作，测试期只做选择与确定性编译，规避生成代码的执行风险——测试期完整写出 harness 的成本约是组合的 543–638 倍。配套理论（需求有界激活、组合优于固定 harness 的充要条件、子模覆盖上限）与 26 组公开基准对照全部领先的结果支撑其系统性。
实验结果
八个家族在 26 组公开基准对照中全部领先，且每组都有消融定位增益。软件工程：HERMES 使 GPT-5.6 Sol 在 Terminal-Bench 4.0 从 Codex 的 37.3%（max 档）升至 55.5%（+18.2pp；medium 档 33.0%→51.8%），SWE Refactor 整仓迁移 6.5%→31.0%（+24.5pp）；SWE-bench Verified 全量 500 题上超过 mini-SWE-agent 基线 19/20 个骨干，同骨干对 Claude Code/Codex +5.2/+9.2pp，Qwen3-8B 全角色也达 80.6%。harness：STITCH 把 100 题 SWE-bench Verified 的 Pass@1 从种子 73.0% 提到 80.5%（Codex 79.0%、随机组合 73.3%、最强固定原语 76.0%），45 题 Terminal-Bench 2.0 从 60.0% 提到 72.2%（Codex 56.7%），组合成本仅为一次 actor 尝试的 2.7–4.3%。工具：HEART（Qwen3-8B）ToolBench 平均 pass 75.1%（最强商用基线 Claude-4.6-Sonnet+DFSDT 73.4%，同骨干最优脚手架仅 55.8%），NESTFUL 全序列准确率 0.44/0.47（GPT-5.4 为 0.40/0.42），τ²-Bench 航空 Pass⁴ 0.63 对 0.50，成本 $0.0146–0.0172 对 GPT-5.4 的 $0.1098–0.1219（最高省 7.7 倍）；消融显示去掉 Tool Primitives 后 pass 跌至 16.1%，增益在原语接口本身。代码：LEGO 在 522 个仓库重建任务上交付分 0.5134 对执行反馈 0.3180（+61.4%），零分率 41.0%→18.8%，领先 OpenHands/Claude Code 57.3%/56.2%；GPT-OSS-20B 做常驻模型保 95.1% 交付、省 24% 成本；外部基准 RepoZero/RepoGenesis/RepoCraft 相对提升 16.9%/17.6%/14.9%。数学：82 个方法契约的自荐选择 Putnam hit@5 达 0.950（最强重排 0.842），随骨干从 0.900→0.950→0.975 而重排器停滞在 0.842–0.858；下游把 AxProverBase 从 5.8% 提到 12.5%（IMO 10.0%→15.0%）。知识：SourceLearn 五基准平均超 Hybrid RAG +14.3pp（GPT-5.6 Luna），MultiDoc2Dial 64.9%→77.6%、APIBench 47.8%→70.4%，15 个设置中 13 个最佳。多智能体：Qwen3-8B 八基准平均从单 agent 58.8% 升至 75.3%，GPQA 53.2% 远超八个已有 MAS（最高 40.2%），token 约为文本通信 MAS 的 1/3–1/4。导航：ANTMAN GAIA-Text-103 45.6%→58.3%、RepoProbe 38.21、SWE-QA-Pro 79.78；空间扩 16 倍时激活仅 1.23 倍（LongAgent/CoA 约 15.3 倍）而 F1 反升 0.065。真实平台：heelo.dev 46 个任务上，Claude Code 独立完成 9/46（均分 28%）、接 HEELO 后 39/46（90%），Codex 9/46（25%）→35/46（83%）；每完成任务时长 6.3→3.4 与 8.0→3.5 分钟（1.9×/2.3×），成本 $1.24→$0.80、$0.65→$0.42（约 1.55× 降低）。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| Terminal-Bench 4.0（66 终端任务，GPT-5.6 Sol max 档） | Resolution（5 次运行均值） | 55.5%（HERMES/Dev-Primitives） | 37.3%（Codex） | +18.2 pp；对 Claude Opus 5+Claude Code（51.8%）+1.2 pp |
| SWE-bench Verified（500 实例，GPT-5.6 Sol） | Resolved rate | 97.0%（HERMES） | 96.2%（mini-SWE-agent） | +0.8 pp；对 Codex 骨干（GPT-5.5）+9.2 pp、对 Claude Code +5.2 pp，19/20 骨干提升 |
| SWE Refactor Bench（20 个整仓迁移，GPT-5.6 Sol） | Composite score | 31.0% | 6.5%（Codex） | +24.5 pp（high 档 19.0%→36.5%） |
| SWE-bench Verified（100 题采样，GPT-5.6 Luna actor） | Pass@1 | 80.5%（STITCH/Harness Primitives） | 73.0%（mini-SWE-agent 种子）；79.0%（Codex） | +7.5 pp 对种子、+1.5 pp 对 Codex；组合成本仅一次尝试的 4.3% |
| Terminal-Bench 2.0（45 题采样，GPT-5.6 Luna） | Pass@1 | 72.2%（STITCH） | 60.0%（种子）；56.7%（Codex） | +12.2 pp / +15.5 pp |
| ToolBench（六个 split 平均，Qwen3-8B） | Pass rate / Win rate | 75.1% / 75.7%（HEART+Tool Primitives） | 73.4% / 73.8%（Claude-4.6-Sonnet+DFSDT）；同骨干 55.8% | +1.7/+1.9 pp 对最强商用基线；同骨干 +19.3 pp |
| NESTFUL 嵌套调用（one-shot） | Full sequence accuracy | 0.44（HEART，8B×4） | 0.40（GPT-5.4）；DeepSeek-V3（685B）仅 0.09 | +0.04，五项指标全部第一 |
| τ²-Bench（零售/航空/电信，Qwen3-8B） | Pass⁴ 与每任务成本 | 航空 0.63、电信 0.50；$0.0146–0.0172/任务 | Claude-4.6-Sonnet 航空 0.50、电信 0.33；GPT-5.4 成本 $0.1098–0.1219 | Pass⁴ 大幅领先（航空 +13 pp）；成本最高省 7.7 倍 |
| LEGO-REPO（522 个仓库重建任务，GPT-5.6 Terra） | Delivery score（[0,1]） | 0.5134（LEGO/Code Primitives） | 0.3180（执行反馈）；OpenHands 0.3263、Claude Code 0.3170 | +61.4%；零分率 41.0%→18.8%；对 OpenHands/Claude Code +57.3%/+56.2% |
| Putnam 2015–2025（120 题，GPT-5.6 Luna 选择器） | hit@5 | 0.950（自荐式方法选择） | 0.842（最强嵌入+LLM 重排） | +10.8 pp；hit@5 随骨干升至 0.975 而重排器停滞 |
| 五知识基准平均（MultiDoc2Dial 等，GPT-5.6 Luna） | Accuracy 平均增益 | +14.3 pp（SourceLearn vs Hybrid RAG） | Hybrid RAG（如 APIBench 47.8%、MultiDoc2Dial 64.9%） | APIBench +22.6 pp、NarrativeQA +14.2 pp；15 设置中 13 个最佳 |
| 八基准平均（AIME25/24、MATH、GSM8K、HumanEval+ 等，Qwen3-8B） | Mean accuracy | 75.3%（Primitives-based MAS） | 58.8%（单 agent）；66.1%（TextMAS）；67.8%（LatentMAS） | +16.5 pp；GPQA 53.2% 对八个已有 MAS 最高 40.2% |
| GAIA-Text-103（GPT-4.1） | Overall accuracy | 58.3%（ANTMAN/Navigation Primitives） | 45.6%（迭代稀疏检索） | +12.7 pp；L3 41.7% 对多数基线 ≤8.3–33.3% |
| heelo.dev 46 个真实任务（Claude Opus 5.5 + Claude Code，medium 档） | 完成任务数 / 任务均分 | 39/46，90% | 9/46，28%（Claude Code 单打）；Codex 单打 9/46，25% | 完成数 4.3×；每完成任务 1.9× 省时（6.3→3.4 分钟）、1.55× 省钱（$1.24→$0.80） |
局限与改进
作者承认并可见的局限：增益与基线弱度正相关，对最强组合 Claude Opus 5 + Claude Code 在 Terminal-Bench 4.0 max 档只 +1.2pp、SWE-bench Verified 上对 GPT-5.6 Sol 的 mini-SWE-agent 仅 +0.8pp；token 与调用数普遍上升，HEART 在 τ²-Bench 每任务 20,887–24,531 tokens，HERMES 多数配置 token 近乎翻倍，仅个别配置（Claude Sonnet 5 max 档）涨点又省钱；Harness 研究只用 100/45 题采样、每题两次尝试，原语库的 scope 在开发任务上调整过，存在选择偏差；heelo.dev 部分评分依赖 Claude Sonnet 5.5 盲评加人工复核，且任务同时充当原语的验收测试（发现缺陷、修复后重跑并只报告修复后结果），带乐观偏差。我的补充观察：理论命题建立在加性增益、需求路由次数上界等简化假设上；八族细节散布在八篇伴随研究与附录中，本文只给骨架；库构建成本高——25,519 个工具 schema 人工编写、82 个契约来自 Putnam 2000–2014 解答，明显偏向 Putnam 风格（IMO 上 recall@5 优势收窄）；lead discovery 是唯一所有臂都不超过 20% 的能力，暴露开放网络长程探索短板；对 GPT-5.6/Claude 等专有模型的依赖使第三方复现受 API 可用性与成本约束。
独立分析的弱点
1) 常驻 LLM 每次调用都叠加延迟与成本，轻量任务可能得不偿失——可用蒸馏的专用小型 resident 模型、缓存与批处理缓解；论文已给出证据：GPT-OSS-20B 做常驻与诊断保留 95.1% 交付省 24% 成本、Sol 只做诊断省 37.4% 开销仅损 2.1pp，值得系统化为「模型-角色分配」的自动搜索。2) VERIFY 在缺硬检查器的领域依赖模型判断，HEART 结果验证有 8% 假通过率（精度 0.97/召回 0.96），错误反馈会误导修订——可引入多验证器投票与弃权机制。3) 库覆盖决定上限：CodeFace 对三个外部基准的目标模块仅覆盖 29.6–34.8%，剔除同仓供体后 LEGO 从 0.5134 降到 0.4743——应强化自动挖掘+验证的入库管线，形成「任务越多库越强」的飞轮。4) 原语间消息 $m_{i\to j}$ 的内容无人把关，坏消息会沿依赖边传播；HERMES 去掉消息在整仓迁移掉 7.5pp，既反证其重要性，也提示需要消息校验原语或可信通道。5) COMPOSE 目前多为提示驱动的 LLM 决策（随机组合即退化：STITCH 随机组合 73.3%、Agent Primitives 随机结构 66.7%），说明选择本身承载增益，值得学习化并做不确定性估计。6) 真实开放任务缺乏有效原语：heelo.dev 的 lead discovery 所有臂 ≤20%、Codex 漏斗计算漏报小样本警告，需要 web 级长程探索与「知道何时报告不确定性」的原语族。
未来方向
作者提出的延伸：任何新任务类型都可作为新的原语族接入 HEELO，只要实现同一组定义与三机制；heelo.dev 作为平台持续扩充真实动作原语（航班、日历、邮件、社交、爬虫、发票等）并把验证-发布通道跑成常态。基于成果可再延伸：把 COMPOSE 从提示决策升级为可学习的组合策略，并研究原语间非加性协同/冲突下的组合理论（现有命题假设加性增益）；为原语间消息设计标准化协议与校验机制，类比 MCP 之于工具调用；把 VALIDATE 扩展到统计性验证（多开发任务匹配运行的显著性检验），降低「开发任务调 scope」的选择偏差；探索更小的 resident 模型与端侧部署，把「强模型协调、小模型执行」的分配规律（诊断位受益最大）自动化；在对抗环境（AgentDojo 式提示注入）下检验消息通道与 KV cache 通信的安全性——论文自己展示了 KV cache 通道对注入的鲁棒性优势（73.3% vs 15.6%），值得系统化；以及跨组织共享原语库的生态问题：许可、审计、质量分层与恶意原语检测。
复现评估
数据层面友好：所用基准全部公开（ToolBench、NESTFUL、τ²-Bench、SWE-bench Verified、Terminal-Bench 2.0/4.0、DevOps-Gym、Putnam 2015–2025、IMO ProofBench、GAIA-Text-103 等），新提出的 LEGO-REPO 522 任务、82 个 Lean 可编译契约与 heelo.dev 平台（公开网站、提供 MCP 接入）理论上可重建。代码层面不确定：正文未见明确的开源仓库声明，八族实现细节在附录 B 且部分依赖内部工程，需按附录逐族重建。算力与成本门槛高：大量实验依赖 GPT-5.6 系列、Claude Opus/Claude-4.6 等专有模型 API，开源侧需 Qwen3-8B、Llama-3-70B、DeepSeek 系列的多卡推理；按文中单价，HERMES 跑一次 SWE-bench Verified 全量约每实例 $0.1–4.5，Terminal-Bench 4.0 一次全评 $0.7k–10.1k，复现全部 26 组对照开销可观。总体难度中等偏高：单族（如全 Qwen3-8B 的 HEART，或组件用 Qwen3-8B 的 ANTMAN-H）可低成本复刻「常驻 LLM + 证据修订」的核心机制并验证思想，完整框架的忠实复现则需较强工程能力与预算。
论文图表
