---
title: Google Meluncurkan EnvHarness untuk Mendukung Pembelajaran Lingkungan Dinamis bagi Agen Pintar
url: https://www.elseif.net/id/google-meluncurkan-envharness-untuk-mendukung-pembelajaran-lingkungan-dinamis-bagi-agen-pintar
published: 2026-11-02T03:07:32+00:00
language: id
section: Harness
source: https://www.infoq.cn/article/FJqN3mFVyN1lMqHOiegs?utm_source=rss&utm_medium=article
organizations: Google
publisher: elseif
---

# Google Meluncurkan EnvHarness untuk Mendukung Pembelajaran Lingkungan Dinamis bagi Agen Pintar

Peneliti Google telah merilis EnvHarness sebagai sumber terbuka, sebuah kerangka kerja yang mampu menyesuaikan lingkungan pelatihan agen pintar secara dinamis berdasarkan kekurangan agen tersebut tanpa perlu mengubah agen, lingkungan, atau sistem evaluasi.

Para peneliti menjelaskan bahwa agen yang berevolusi sendiri biasanya meningkatkan diri melalui penulisan ulang perintah dan perolehan keterampilan baru, namun jarang menyesuaikan lingkungan tempat mereka beroperasi. Hal ini menimbulkan masalah utama karena agen yang terus berkembang pada tolok ukur tetap pada akhirnya tidak akan bisa mempelajari hal baru lagi, mengingat status awal, aturan, dan umpan balik tetap sama bagi setiap pembelajar di setiap tahap.

EnvHarness dikembangkan untuk memudahkan insinyur dalam melatih agen di lingkungan adaptif, mengingat pembuatan lingkungan biasanya berbiaya tinggi, memerlukan jalur domain tertentu, dan sering bergantung pada validator yang mahal atau tidak dapat diandalkan. Kerangka kerja ini berupa lapisan pembungkus yang dapat diprogram dan terdiri dari komponen yang dapat dilepas, yang membungkus lingkungan statis dan hanya mengubah antarmuka interaksi agen.

Sistem ini menggunakan antarmuka reset() dan step() standar untuk membungkus lingkungan yang ada dengan tiga komponen yang dapat dikombinasikan, yaitu setup untuk menyesuaikan status awal lingkungan, rule untuk membatasi transisi status berdasarkan tindakan agen, dan link untuk menyesuaikan hasil observasi yang diberikan kepada agen.

Kerangka kerja ini juga memperkenalkan EnvRigger, yang secara otomatis menentukan cara menyesuaikan lingkungan untuk agen tertentu dengan menganalisis perilaku agen, mengidentifikasi titik lemah yang berulang, menghasilkan rencana modifikasi yang ditargetkan, dan memverifikasinya melalui interaksi baru. Pengulangan siklus EnvRigger memungkinkan evolusi bersama yang berkelanjutan antara agen dan lingkungan, yang menghasilkan peningkatan kinerja gabungan yang dapat diperluas secara efektif sesuai jumlah tugas yang disesuaikan.

Dalam makalah Google, disebutkan bahwa penambahan lapisan EnvHarness meningkatkan kinerja agen pada berbagai tolok ukur seperti WebArena, SWE-bench Verified, dan ALFWorld tanpa mengubah logika inti. Pengujian terhadap beberapa model, termasuk Gemini 3.1 Flash-Lite, Qwen3.6 27B, Gemini 3.5 Flash, dan Claude Sonnet 4.6, menunjukkan peningkatan kinerja antara 2,9 hingga 3,7 persen.