EnvHarness učí AI agenty podle jejich chyb. Google mění statické benchmarky v adaptivní tréninková prostředí

Vývoj AI agentů se pomalu přesouvá od jednorázového odpovídání k práci v prostředí. Agent už nemá jen napsat text nebo vyřešit matematický příklad. Má procházet web, upravovat tabulku, pracovat s kódem, používat nástroje a zvládat několik navazujících rozhodnutí.

To ale přináší jeden poněkud nepohodlný problém. Prostředí, ve kterých se agenti trénují, bývají vytvořená lidmi a následně zůstávají prakticky neměnná. Pokud se agent naučí úlohu řešit, benchmark mu často nemá co dalšího nabídnout. Je to podobné jako trénovat řidiče stále na stejném parkovišti, se stejnými kužely a bez jediného auta navíc.

Právě na tento problém míří výzkumný rámec EnvHarness, za kterým stojí tým z Google Cloud AI Research, Washington University v St. Louis a UNC Chapel Hill. Studie byla zveřejněna na arXivu 20. srpna 2026 a kód je dostupný jako open source. ([arxiv.org](https://arxiv.org/abs/2608.19880))

Nové simulace nejsou vždy nejlepší odpověď

Když agent vyřeší existující benchmark, nabízí se jednoduchá reakce: vytvořit další úlohy. Jenže generování nových prostředí má dvě slabá místa. Za prvé vyžaduje doménově specifickou infrastrukturu. Jinak se generuje prostředí pro programování, jinak pro ovládání webu a jinak pro domácí úkoly v simulovaném světě.

Za druhé je potřeba ověřit, zda nově vytvořená úloha skutečně měří správnou dovednost. Pokud úspěch kontroluje automaticky napsaný ověřovač, může se do systému dostat chyba. Agent pak třeba získá body za postup, který vypadá správně, ale ve skutečnosti obchází podstatu úlohy.

EnvHarness se proto vydává opačným směrem. Nevytváří celý nový svět, ale nasazuje programovatelný obal kolem světa existujícího. Původní simulátor, úlohy i lidsky vytvořený ověřovač zůstávají beze změny. Výzkumníci tím chtějí zachovat důvěryhodnost benchmarku a současně změnit podmínky, ve kterých se agent učí.

Jak EnvHarness funguje

Základ tvoří standardní rozhraní reset() a step(). První funkce prostředí připraví nebo resetuje úlohu, druhá provede jeden krok agenta. EnvHarness tyto operace zachytává a podle potřeby upravuje jejich chování.

V praxi to znamená například následující: agent má v simulovaném bytě najít hrnek. V původním prostředí se hrnek nachází přímo na stole, takže se agent naučí rychle dojít na známé místo. Adaptivní obal může po resetu přehrát předem definovanou sekvenci akcí a umístit úlohu do jiné výchozí situace. Hrnek se objeví v zavřené zásuvce a agent musí nejdříve hledat, nikoli jen zopakovat naučenou trasu.

Další typ obalu může omezit určitou akci, změnit reakci prostředí nebo zkrátit pozorování, které agent dostane. Nejde o náhodné ztěžování úloh. Smyslem je vytvořit překážku, která odpovídá konkrétní chybě pozorované u daného agenta.

Výzkumný kód popisuje tři základní typy zásahů. Jeden upravuje výchozí stav, druhý pravidla interakce a třetí umožňuje skládat více prostředí do jednoho běhu. V dokumentaci repozitáře jsou tyto role popsány jako Setup, Rule a Link; ve zdrojovém popisu projektu se objevují také názvy Stage, Contract a Chain. Princip je ale stejný: mění se start, průběh nebo skladba epizody, nikoli původní hodnoticí logika. ([marktechpost.com](https://www.marktechpost.com/2026/08/30/google-ai-introduces-envharness-a-programmable-layer-that-turns-static-agent-environments-into-adaptive-training-worlds/))

EnvRigger hledá slabiny místo ručního nastavování

Samotné obaly by nebyly tak zajímavé, kdyby je musel člověk ručně připravovat pro každého agenta. Součástí systému je proto komponenta EnvRigger. Ta sleduje chování agenta jako černé skříňky a z jeho průchodů úloh se pokouší odvodit opakující se problém.

Proces má několik kroků. EnvRigger nejprve sleduje pět základních běhů agenta. Poté diagnostikuje systémovou slabinu, například neschopnost vyhledávat alternativní postup, přílišnou závislost na výchozím stavu nebo špatné zacházení s omezenými pozorováními. Následně vytvoří obalovací logiku v Pythonu a ověří ji na pěti nových bězích.

Pokud je nová úloha příliš snadná nebo naopak prakticky neřešitelná, systém ji odmítne a pokusí se o úpravu. Výzkumníci uvádějí až pět revizních kol pro jeden úkol. Vygenerovaný kód se navíc spouští v izolovaném procesu. Chybný zásah by tak neměl shodit celý experiment, ale skončí jako zaznamenaná chyba nebo neplatný běh. ([marktechpost.com](https://www.marktechpost.com/2026/08/30/google-ai-introduces-envharness-a-programmable-layer-that-turns-static-agent-environments-into-adaptive-training-worlds/))

Výsledky: lepší skóre i méně kroků

Autoři EnvHarness ověřovali na pěti benchmarcích ve čtyřech doménách. Patří mezi ně ALFWorld, WebArena, SWE-bench Verified, OfficeQA a SpreadsheetBench. Testovali přitom nejen samotné řešení úloh, ale také takzvané skill mining postupy, při kterých se z předchozích běhů odvozují dovednosti využitelné v dalších úlohách.

Na benchmarku ALFWorld vzrostla průměrná úspěšnost z 62,4 na 68,3 bodu. Na dosud neviděné části úloh dosáhlo zlepšení až 9 bodů. U WebArena se výsledek zvýšil z 38,5 na 41,6 bodu.

Výrazný je také výsledek na SWE-bench Verified. Úspěšnost se posunula z 49,9 na 52,6 bodu, zatímco průměrný počet kroků klesl z 55,0 na 49,6. Jinými slovy, agent nejen častěji dokončil úlohu, ale zároveň k tomu potřeboval méně interakcí. To je důležité hlavně tam, kde každý krok znamená další volání modelu, nástroje nebo externí služby.

Výsledky ale nejsou bez výhrad. Při posilovaném učení s modelem Qwen3-8B-base EnvHarness zlepšil tři ze čtyř sledovaných ukazatelů. Na jedné části úloh se však výkon zhoršil, například u OOD splitu ALFWorld z 89,6 na 88,8. Adaptivní prostředí tedy není automatický recept na lepší výsledek. Když se špatně diagnostikuje problém agenta, může se trénink vydat nesprávným směrem.

Autoři také uvádějí, že při škálování na 300 prostředí dosáhlo adaptivní řešení skóre 54,79, zatímco původní prostředí 52,13 a generovaná prostředí 50,37. Při nastavení cílové úspěšnosti jednotlivých úloh do intervalu 0,4 až 0,6 se pokrytí tohoto pásma zvýšilo ze 6 na 80 procent. To naznačuje, že systém dokáže lépe udržovat úlohy v obtížnosti, která je pro učení užitečná. ([marktechpost.com](https://www.marktechpost.com/2026/08/30/google-ai-introduces-envharness-a-programmable-layer-that-turns-static-agent-environments-into-adaptive-training-worlds/))

Co to znamená pro vývojáře v Česku a EU

EnvHarness není chatbot ani hotový nástroj pro běžného uživatele. Nejde si ho jednoduše otevřít v prohlížeči a nechat si jím vylepšit odpovědi. Je to infrastruktura pro výzkumné týmy a vývojáře, kteří už provozují vlastní agentní evaluační smyčku.

Výhodou je otevřený kód pod licencí Apache-2.0 a skutečnost, že nový benchmark nemusí být upravován uvnitř. Podle dokumentace stačí napojit prostředí na požadované rozhraní zahrnující resetování, provádění kroků, pozorování, vyhodnocení a ukládání stavu. Repozitář obsahuje ovladače pro šest prostředí. ([github.com](https://github.com/google-research/envharness))

Pro české a evropské vývojáře je důležité, že nejde o službu omezenou na konkrétní zemi nebo jazyk. EnvHarness sám o sobě nemá uživatelské rozhraní ani českou lokalizaci. Lze ho ale využít v projektech, kde agent pracuje s českými dokumenty, weby nebo interními systémy, pokud pro ně existuje resetovatelné testovací prostředí.

Právě podmínka resetovatelnosti je zásadní. EnvHarness se hodí pro simulátory a reprodukovatelné benchmarky, nikoli pro živé uživatelské účty, nekontrolované webové služby nebo fyzické roboty. U reálného účtu totiž nelze bezpečně vracet svět do stejného výchozího stavu. A robot, který si při pokusu o nový trénink rozbije rameno, není úplně ideální experimentální jednotka.

Open source neznamená nulové náklady

Samotný EnvHarness je dostupný zdarma jako open-source projekt. To však neznamená, že provoz adaptivního tréninku nic nestojí. EnvRigger používá jazykový model pro diagnostiku a generování Pythonových obalů. Náklady proto vznikají za modelové tokeny, výpočetní výkon a opakované běhy benchmarků.

Výzkumníci v dostupných materiálech neuvádějí jednotný ceník provozu. Výsledná cena bude záviset na použitém modelu, počtu roll-outů, délce úloh a velikosti experimentu. Pro malý výzkumný tým může být hlavní bariérou spíše čas na přípravu prostředí než samotná licence.

Praktický význam: méně ručního ladění, ne automatický učitel

Nejzajímavější na EnvHarness není pouze růst skóre v tabulce. Důležitější je změna pracovního postupu. Vývojář nemusí pokaždé ručně navrhovat další sadu testů, když agent opakovaně selhává podobným způsobem. Systém se pokusí vytvořit cílené prostředí, které danou slabinu procvičí, a výsledek následně zkontroluje na nových bězích.

To ale stále není autonomní učitel bez dozoru. Kvalita zůstává závislá na správné diagnostice, vhodnosti benchmarku a bezpečnosti generovaného kódu. Adaptivní prostředí může zlepšit měření i trénink, ale neodstraní potřebu lidské kontroly. Výzkumný rámec tedy řeší především problém statických testovacích světů. Neřeší všechny problémy spojené s dlouhodobým učením agentů.

EnvHarness přesto ukazuje praktický směr, kterým se agentní AI ubírá: prostředí už nemusí být pouze kulisa. Může se stát aktivní součástí tréninku, která sleduje, co agent neumí, a podle toho mu připravuje další úkol. Z pohledu vývoje je to úspornější než pokaždé stavět nový simulátor od základů. A především to zachovává původní ověřovač, který rozhoduje, zda agent úlohu skutečně zvládl.

Projekt je dostupný na GitHubu. Podrobnosti o metodě a měřeních nabízí výzkumná studie EnvHarness a další informace jsou na oficiální projektové stránce.

FAQ