TaoLive团队针对直播电商数字人代理的实时性与适应性矛盾，提出Harness-Aware Training（HAT）后训练方法。其核心是将技能、钩子、系统提示和工具模式从模型权重中解耦，使运行时行为可随业务策略变化而无需重新训练。但Harness不断演化会让微调模型容易记住旧名称、schema和提示模板，而强零样本模型又难以满足实时延迟。为此，HAT在监督微调、通用能力蒸馏和智能体强化学习三阶段中引入任务保持的Harness状态增强，让35B紧凑模型学会根据当前Harness推理而非记忆固定接口。在超4500个评测样本中，该模型在真实直播问答上取得94.8分，优于基础模型的80.3分和最强通用大模型的93.0分，并在Harness变体问答上保持94.6分，同时IFEval通用指令遵循得分保留83.5。单张NVIDIA H20 GPU下系统P50延迟为3.407秒，P95为8.114秒。研究显示该方法可在不牺牲通用能力的前提下，训练出延迟可行的紧凑型直播代理。不过评测由厂商主导且聚焦直播电商，其跨领域泛化性仍需进一步验证。