同一个模型，换一套系统提示、工具和回合上限，完成任务的方式可能明显不同。这些围绕模型运行的程序通常统称为 harness。做强化学习时，团队常要另写一套训练环境；如果它与生产工具循环不同，模型学到的行为未必能直接迁移。OpenHands 与 Snowflake 的方案让现有 OpenHands SDK 经由 Harbor 任务环境参与训练，尽量复用实际的提示、工具调用和文件操作流程。
一个任务目录同时描述要求、环境和测试。Agent 在沙箱中运行，结束后测试读取实际文件状态并给奖励。训练代理记录跨回合的原始 token 序列，只对模型生成部分计算训练损失，提示和工具返回不计入这部分损失，避免事后拼装对话改变训练对象。
演示使用 Qwen3.5-4B 定位 Python 代码库中的相关文件、模块与函数，每轮最多10次交互，25个训练步骤各采样64条轨迹。图中纵轴是三个定位 F1 分数之和，F1综合衡量查准与查全；总和最高3分，不是修复成功率。配套 README 另列32个评估任务的自测：均值从0.31升到2.10。默认训练与采样各占4张H200，不能把“现成harness可复用”读成低成本桌面教程。