Google 开源 Harness²：不微调模型，让 AI Agent 自己进化出更好的「工作环境」

2026 年 10 月 8 日，Google Research 在 GitHub 上开源了一个名为 Harness² 的智能体框架（仓库 google-research/harness2，采用 Apache 2.0 协议）。上线不到三周，这个仓库就收获了 18000+ Star。它解决的是一个被很多人忽略的问题：当 AI Agent 表现不好时，锅往往不在模型本身，而在围绕模型的"工作环境"——也就是系统提示词、工具、记忆、脚本这些"外壳"（harness）。Harness² 的野心是：在不改动模型任何一个参数的前提下，让 Agent 自己把这套外壳越用越强。

双层递归：自己改自己

Harness² 的核心是一套双层递归机制，全程冻结模型权重。

第一层是"任务级递归"，分三步走。提议（Propose）：先跑一遍参考执行暴露出行为模式，再针对"跨领域通用缺陷"和"当前领域知识"两类问题，各自提出一组候选修改方案。探测（Probe）：把两套候选 harness 放在完全相同的任务、相同的模型和环境配置下分别执行，得到一组"行为对比"——注意，它完全不问"这次执行对不对"，只问"修改让行为发生了什么可观察的变化"，从而绕开开放世界里没有验证器的死结。组合（Compose）：基于有证据支持的行为差异，选择性地把修改拼合起来。

第二层是"Harnessing 级递归"，让经验跨任务复利。每个任务结束后，经验反思器会检视改进记录，只保留"有执行对比证据支持"的经验，写进一个持续演化的 harness 改进库（内含可执行 harness 与 EXPERIENCE.md）。模型权重、阶段指令、决策规则全部固定，只有这个库在持续长大，实现"今天在法务任务踩的坑，明天做表格任务就能绕开"。

八块可编辑的积木

Harness² 把 harness 拆成八个文件级组件，全都可被它改写：系统提示词、护栏、记忆、技能、工具指引、脚本、子 Agent、中间件插件。这覆盖了上下文构建、工具接口、委派编排和工具循环内的行为控制，和当下主流 Agent 框架的架构高度对齐，这也是它敢自称"即插即用"的底气。目前实验支持 OpenCode 与 Codex 两种执行器，搭配 GLM-5、Gemini 3.5 Flash 等模型。

数据说话：好 harness 能抹平模型差距

在 JobBench（职业工作）、LAB（法务，来自 Harvey）、WorkBuddy-Bench（办公/网页/代码，来自腾讯）三个专业基准、四种模型-harness 配置上，仅做单次递归（k=1）就拿下亮眼提升：WorkBuddy-Bench 上 GLM-5/OpenCode 从 64.2 涨到 75.7（＋11.5），LAB 部分通过率从 59.6 升到 71.4（＋11.8 个百分点），JobBench 上 Gemini 3.5 Flash/OpenCode 从 31.5 提到 36.0（＋4.5）。文章开头那句"弱模型＋好 harness 反超强模型＋普通 harness"并非夸张：改进后的 GLM-5 编码得分能从 58 拉到 77，直接反超原生配置的 Gemini。把递归预算加大到 k=5 并行，WorkBuddy-Bench 编码子集还能从 76.5 提到 80.8，且提升随 k 单调上升，没有出现多数自我改进系统"越改越崩"的怪圈。消融实验也佐证了各模块价值：去掉经验库掉 3.1 分、去掉领域限定掉 2.9 分、去掉组合步骤掉 1.6 分。

边界与冷静看待

Harness² 明确在 README 标注：这不是 Google 官方支持的产品，只是一个研究项目。它的"采纳"依据行为对比，并不能验证正确性；探测候选意味着每个任务要多跑几次完整执行，带来额外算力开销；个别配置下递归反而会拉大初始 harness 之间的差距。但抛开这些限制，它给出的重要提醒是：在上限之下，模型实际发挥出几成，取决于我们给它套了什么——把"设计工作环境"这件事自动化，可能比一味堆模型参数更划算。

（本文综合 51CTO、百度百科与 Google Research 公开资料整理）