Din AI-agent är bara så bra som dess operativsystem, men vi bygger fortfarande dessa system för hand. Forskare har nu presenterat JIT-Agent, en modell som automatiskt designar och utvecklar de komplexa regler som styr hur AI-agenter tänker, planerar och agerar. Detta genombrott tyder på att hemligheten bakom övermänsklig AI-prestanda kanske inte ligger i större modeller, utan i smartare, självförbättrande ramverk.

Tänk på en agentharnes som hjärnans arbetsflödesprogramvara. Den hanterar minnet, bestämmer planeringsstrategier och samordnar verktyg. För närvarande skapar ingenjörer manuellt dessa arbetsflöden för specifika uppgifter – en process som är stel och omöjlig att skala. JIT-Agent bryter detta mönster genom att behandla harnesen som en sammansättbar, maskingenererbar komponent. Den fungerar som en hjälpare som syntetiserar uppgiftsanpassade regler i realtid, reparerar trasiga arbetsflöden under körning och lär sig av en växande arkiv av tidigare framgångar för att utveckla sina egna strategier.

Resultaten är slående. När den kombineras med befintliga modeller ökar JIT-Agent prestandan dramatiskt. DeepSeek-V4-Flash, utrustad med denna nya harnesintelligens, slog GPT-5.6 på stora benchmark-test som DeepSearchQA (+9,1) och OdysseyBench (+4,3). Ännu starkare modeller som GLM-5.2 såg vinster på upp till +20,2 poäng. Avgörande nog konkurrerar dessa JIT-genererade harnesar med mogna, handjusterade agentkörningar som OpenCode och Claude Code, vilket bevisar att själva ramverket är en kraftfull, tränbar dimension av kapacitet.

Denna forskning etablerar harnesintelligens som en sammanslående kraft som står vinkelrät mot modellskalning. Vi behöver inte längre vänta på större grundläggande modeller för att lösa svårare problem. Genom att fokusera på just-in-time-harnesgenerering kan vi låsa upp överlägsen prestanda från standard-AI och förvandla statiska agenter till dynamiska, självoptimerande system. Framtiden för AI ligger inte bara i vad den vet, utan i hur den organiserar sin kunskap i realtid.