SHarP 用单模块消融的显著性剪枝智能体 harness：四个 harness 在性能相当下至少降低 10% token 成本，OpenHands 在 GAIA 上从 29.44% 升至 35.00%
核心概要
该工作提出 SHarP，把智能体 harness 中的工具、指令与支撑机制视为可单独禁用的模块，用单模块消融估计每个模块对任务性能与 token 成本的显著性，再按效率导向或性能导向规则剪枝；在 OpenHands/GAIA、PaperQA2/LitQA2、LIFE-harness 的 airline 与 retail、JIT agentfold/DeepPlanning-Shopping 五个设置上，剪枝后多数配置保持相近性能，四个 harness 均实现至少 10% 的 token 成本下降，其中两个在降本同时提升任务表现。
Figure 1: Overview of SHarP ’s efficiency-oriented pruning. Single-module ablations estimate performance and efficiency saliency, which determine the protected module set (green) and pruning order, respectively. Pruned configurations and an all-pruned baseline are evaluated for task performance and token cost.
arXiv深度剖析
论文把 harness 剪枝形式化为可操作的流程：先按实现边界把 harness 划分为可单独禁用的模块（注册工具、按标题或标签识别的指令块、检索到的技能、独立处理机制），并明确每个模块“被剪掉”的具体含义，例如剪掉搜索工具即从提示中移除该工具及其说明并禁止访问，剪掉历史摘要机制即始终保留完整历史。 此前关于 harness 膨胀与效率的工作多停留在“增加机制未必提升性能”或限制上下文与工具暴露，缺少对异构模块（工具、指令、支撑机制）统一量化冗余并移除的系统做法；该工作把神经网络剪枝的显著性思路迁移到 harness，并给出模块划分与禁用语义的明确约定。 方法层面给出四步流程（模块识别、显著性计算、显著性引导剪枝、剪枝评估），并在附录 A.1 逐条列出各 harness 的候选模块、功能与禁用说明，使流程可复现。
显著性由单模块消融估计：对每个模块禁用它并运行，记录任务得分与 token 成本，与同一任务上所有单模块消融的中位数比较，得到性能与效率两个差异项，再用单侧配对 t 检验得到 p 值作为性能显著性与效率显著性；每个模块只需一次额外评估。 相比穷举不同剪枝组合，这种估计方式把评估成本压到每个模块一次，使剪枝在评估昂贵的智能体场景中可行；同时把“剪掉模块未必省成本”这一与神经网络剪枝不同的性质纳入同一显著性框架。 论文给出差异项、中位数参考、单侧配对 t 检验与自由度、p 值计算，并说明配对差异恒定时（标准差为零）的计算约定；附录 A.4 报告了各模块消融的任务得分、token 成本与 p 值。
两种剪枝规则共享同一组显著性估计但角色互换：效率导向剪枝先保护对性能关键的模块，再按效率显著性从高到低移除未保护模块；性能导向剪枝对称地保护对效率关键的模块，再按性能显著性排序移除。 把“保护集 + 排序移除”的剪枝预算机制引入 harness，使同一套显著性估计可以按不同目标生成一系列剪枝配置，而不是只给出单一压缩结果。 在 JIT agentfold/DeepPlanning-Shopping 与 LIFE-harness retail 上以每任务一次试验比较两种策略：前者性能导向在某一配置达到 82.5% 匹配率、token 成本较全量下降 5.9%，效率导向在另一配置达到 76.2% 匹配率、token 下降 39.0%；retail 上效率导向在某一配置达到 87.5% 成功率，性能导向在另一配置把平均 token 成本降低 21.2%、成功率 70.0%。
跨五个设置的主要结果显示 harness 存在大量冗余：许多剪枝配置保持相近的观测性能并降低 token 成本，四个 harness 均实现至少 10% 的 token 成本下降，其中两个在降本同时提升任务表现；但冗余程度随 harness 与任务域变化，剪得过多会损害性能，剪枝也可能反而增加成本。 此前缺少对 harness 冗余程度的系统量化；该工作用留出验证集上的剪枝配置序列给出经验证据，并指出剪枝收益并非单调。 OpenHands 在 GAIA 上剪掉 27 个模块中的 24 个时成功率最高，从全量的 29.44% 升至 35.00%，但全部 27 个模块剪掉后降至 14.44%；PaperQA2 在全量配置下性能最高；LIFE-harness 在 airline 全剪配置下性能小幅下降、retail 略有上升；PaperQA2 剪掉 15 个模块的配置与 JIT agentfold 全剪配置的 token 成本都高于各自全量 harness。
启示与展望
该结果面向需要在固定模型下降低智能体 token 成本的工程与研究场景：使用者可对自有 harness 做模块划分、单模块消融与显著性估计，再按效率导向或性能导向规则生成剪枝配置序列，并在留出验证集上比较。论文的评估以 Qwen3.5-122B-A10B 为统一基座模型，覆盖 OpenHands/GAIA、PaperQA2/LitQA2、LIFE-harness 的 airline 与 retail、JIT agentfold/DeepPlanning-Shopping；模块划分遵循既有实现边界，高度耦合的元素（如工具与其使用说明）合并为单一模块。剪枝配置的收益按 harness 与任务域不同，效率导向与性能导向策略在 DeepPlanning-Shopping 与 retail 上各占优势，因此适用时应以目标 harness 与目标域上的验证结果为准。
剪枝策略对比在 JIT agentfold 与 LIFE-harness retail 上仅使用每任务一次试验，而主要结果默认三次试验，因此两种策略的相对优劣在不同试验预算下是否稳定，值得在自有设置中复核。模块划分由人工按实现边界完成，不同划分粒度可能改变显著性估计与可剪范围。论文报告的是留出验证集上的观测性能与 token 成本，token 计数覆盖失败尝试但不衡量执行时间；PaperQA2 的离线语料预处理与索引构建不计入 token 成本。此外，剪枝可能移除帮助智能体高效终止或筛选证据的功能，导致成本上升，因此剪枝后的配置仍需在目标域上验证其终止行为与证据处理路径。