谷歌开源Harness²：不改模型权重，也能让Agent自己变强

谷歌云AI研究（Google Cloud AI Research）与西北大学的研究者开源了Harness²，版本号0.1.0，采用Apache-2.0许可证。它不是一个新模型，而是一套在部署阶段持续改写Agent“外设”的框架。

所谓harness，指模型之外的一切：系统提示、工具、记忆、技能和编排。Harness²把这块空间拆成8个可编辑组件，每个组件以文件形式挂载，覆盖上下文构造、工具接口、子代理、脚本与插件中间件。

框架的核心是两级递归。任务级递归采用“提出—探测—组合”的对比流程：先用基础harness跑一遍任务，编辑器提出两个候选，一个针对规划、工具使用等通用失败，一个针对当前领域的知识与流程，两者在同一任务上运行，再由组合器只保留有行为证据支持的修改。

第二级递归发生在每个任务之后。反射器把被采纳的harness连同记录经验教训的EXPERIENCE.md一起存入库中，指导后续提案；但每个新任务仍从基础harness起步。预算参数k决定搜索规模，可以并行探测，也可以串行推进多步细化。

在WorkBuddy-Bench、JobBench与Harvey's LAB三个专业基准上，团队用Gemini 3.5 Flash和GLM-5，分别在OpenCode与Codex下测试，默认编辑器为Claude Opus 4.8，数值为三次运行的均值。

单步优化即提升了全部四组模型与harness组合在三个基准上的表现。提升最大的是GLM-5在OpenCode下的WorkBuddy-Bench，从64.2升至75.7，增加11.5分；提升最小的是GLM-5在Codex下的JobBench，仅从23.6升至24.8。较弱执行器获益更明显。

k=5的并行递归把OpenCode下的Gemini 3.5 Flash推到WorkBuddy-Bench的80.8分。代价是每个任务要跑更多次，团队也提示使用者自行做好沙箱隔离。运行环境为Linux、Python 3.12或3.13与uv，模型调用经由Vertex AI。

这项工作的意义在于把“自我改进”从训练阶段挪到了使用阶段：模型不变，Agent的表现仍可能随任务累积而上升。对企业而言，这意味着部署后的持续调优有了新的抓手；但经验库能否跨领域迁移、额外算力开销是否划算，仍是需要观察的问题。