AutoDesign: Meta-Harness-Optimierung für agentenbasiertes Design

LinkYaxin Luo, Haobin Jiang, Jialv Zou, Xu Huang, Wenhao Yan, Haodong Li, Zhengrong Yue, Jing Li, Xiaofu Chen, Xiaohan Zhao, Jiacheng Liu, Jiacheng Cui, Zhiqiang Shen, Xiaotong LiForschung

Forschende stellen mit AutoDesign ein Framework vor, das multimodale Inhalte durch autonome Code-Agenten in strukturierte Medienformate wie Konferenzposter überführt. Über einen Meta-Harness-Optimizer verbessert das System sein Harness iterativ anhand von Feedback und übertrifft dabei kommerzielle Lösungen.

Das Wichtigste

  1. AutoDesign nutzt einen Meta-Harness-Optimizer, der Code-Agenten anleitet, ihr Harness auf Basis von Rollout-Feedback rekursiv selbst zu verbessern.
  2. Zur Evaluierung wurde PosterBench eingeführt, ein Benchmark mit 100 wissenschaftlichen Arbeiten aus fünf Fachbereichen sowie einer Mini-Teilmenge für kontrollierte Tests.
  3. Im PosterBench Main Track erzielte AutoDesign 78,32 Punkte und lag damit 7,45 Punkte vor dem kommerziellen System Claude Design.
  4. Über sieben Modellkonfigurationen hinweg steigerte das gelernte DesignHarness den Durchschnittsscore von 54,99 auf 67,39 Punkte (+12,4 %).
  5. In autonomen Durchläufen benötigte das System im Schnitt 253 Tool-Aufrufe und 11 Bearbeitungsschritte über 40 Minuten bei Kosten von unter 3 US-Dollar pro Poster.

Warum das relevant ist

Lange, mehrstufige Agenten-Workflows scheitern im Designbereich oft an statischen Rahmenbedingungen. Der Ansatz, das Ausführungsumfeld (Harness) durch Meta-Optimierung dynamisch an menschliche Designprinzipien anzupassen, zeigt einen Weg zu praxistauglicher und kostengünstiger Medienautomatisierung.

Einordnung

Das Paper demonstriert, dass autonome Designprozesse nicht allein von der Modellgröße abhängen, sondern maßgeblich von der kontinuierlichen Verfeinerung des Ausführungskontexts. Bemerkenswert ist der direkte Vergleich zu Claude Design sowie die praktische Umsetzbarkeit: Mit unter drei Dollar und 40 Minuten Laufzeit für ein akzeptables Konferenzposter nähert sich die Methode wirtschaftlich relevanten Parametern.

Erwähnte Links

Gefunden in

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • Artikel:Yaxin Luo, Haobin Jiang, Jialv Zou, Xu Huang, Wenhao Yan, Haodong Li, Zhengrong Yue, Jing Li, Xiaofu Chen, Xiaohan Zhao, Jiacheng Liu, Jiacheng Cui, Zhiqiang Shen, Xiaotong Li

    AutoDesign: Meta-Harness-Optimierung für agentisches Design

    Forschende stellen mit AutoDesign ein Framework vor, das multimodale Inhalte wie wissenschaftliche Arbeiten autonom in strukturierte Medien wie Konferenzposter überführt. Ein Meta-Harness-Optimierer leitet einen Code-Agenten dazu an, die Test- und Ausführungsumgebung anhand von Rollout-Feedback iterativ zu verbessern.

    KI & AI· Forschung

  • Artikel:Jiaqi Liu et al.

    AutoResearchClaw: Multi-Agenten-Forschung mit iterativer Selbstkorrektur und Human-in-the-Loop

    Ein Forschungsteam um Jiaqi Liu stellt AutoResearchClaw vor, eine autonome Forschungspipeline auf Basis kooperierender Agenten. Das System bricht mit linearen Ausführungsmodellen und setzt auf iterative Fehlerkorrektur, überprüfbare Resultate sowie anpassbare menschliche Eingriffe. Im Benchmark ARC-Bench schlägt es vergleichbare Ansätze wie AI Scientist v2 deutlich.

    KI & AI· Forschung

  • Artikel:Shuai Shao, Kangning Zhang, Qingyao Li, Shijian Wang, Hao Wang, Wenxiang Jiao, Yuan Lu, Yi Guo, Weiwen Liu, Weinan Zhang

    Harness-R1: Automatisierte Laufzeit-Optimierung für KI-Agenten anhand von Fehlertrajektorien

    Ein Forschungsteam stellt Harness-R1 vor, eine Methode zur gezielten Anpassung der Software-Laufzeitumgebung (Harness) von LLM-Agenten. Statt nur Modellgewichte anzupassen, lernt ein separater 9B-Agent per Reinforcement Learning, fehlerhafte Ausführungsspuren zu analysieren und validierte Code-Patches für Kontextaufbereitung, Tool-Vermittlung und Aktionsvalidierung zu generieren.

    KI & AI· Forschung

  • Artikel:Mehdi Allahyari

    Harness Engineering: Warum die Umgebung wichtiger ist als das LLM-Modell

    Nach Prompt- und Context-Engineering bildet Harness Engineering die dritte Phase im Bau autonomer KI-Systeme. Mehdi Allahyari beschreibt die Software-Infrastruktur um das Sprachmodell als entscheidenden Erfolgsfaktor für Zuverlässigkeit und Selbstkorrektur.

    KI & AI· Sammlung

  • Link:Abacus.AI

    Abacus.AI AutoBots: Selbstoptimierende KI-Agenten für Workflows

    Abacus.AI hat mit AutoBots eine Plattform für autonome, rekursiv selbstoptimierende KI-Agenten vorgestellt. Die Agenten führen Aufgaben ohne menschliches Eingreifen aus, lernen aus jedem Durchlauf und lassen sich über Text-Prompts konfigurieren.

    KI & AI· Tool

Zurück zur Wissensbasis

Lassen Sie uns über Ihr Projekt sprechen

Kontakt aufnehmen

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Dieser Inhalt wurde teilweise mithilfe von KI erstellt.