2026-10-20

3441

作者 | 褚杏娟 谷歌研究团队开源了一套名为 Harness² 的智能体框架，试图让 AI Agent 在不修改模型权重的情况下，通过持续调整系统提示词、记忆、工具指导、skill、子智能体等外部组件，实现递归式能力提升。 目前，Harness² 已在 GitHub 以 Apache 2.0 协议开源，支持 OpenCode 和 Codex，默认使用 OpenCode，也可以切换至 Codex。Google Research 同时强调，Harness² 仍属于研究项目，并非谷歌官方支持的产品。 GitHub 地址：https://github.com/google-research/harness2 团队将这套可修改的 Harness 拆成 8 类组件，包括系统提示词、护栏、记忆、工具指导、子智能体、Skills、脚本和插件。这些组件共同决定 Agent 如何构建上下文、调用工具、委派任务，以及如何在多轮工具调用中完成工作。 国内开发者 Joseph Zhou 称，将 Harness² 接入 Jev 1.14 后，在不调整模型权重的情况下大幅提升了视觉任务表现。按照其说法，底层系统会调整自身提示词、构建执行能力并提炼经验。 不知道标准答案，也要改进自己 Harness² 全称为“面向开放世界的递归智能体 Harness（Recursive Agent Harnessing for an Open World）”。 它最核心的设计，是两层递归机制。第一层发生在单个任务内的“任务级递归”。当 Agent 遇到一个 Harness 设计阶段没有见过的新任务时，系统不会完全依赖预先写好的固定策略，而是执行一轮“提出—探测—组合”：先生成多个 Harness 修改方案，让不同版本实际执行同一个任务，再观察它们产生的行为差异，最后重新组合出一套更合适的 Harness。 特别的是，Harness² 并不要求任务一定存在明确的标准答案。 许多自动优化方法依赖评测集、奖励信号或真实标准验证器来判断一次修改是否更好。但真实企业环境中的大量任务并不存在唯一答案，甚至可能在 Agent 上线之前从未出现过。Harness² 因此更多通过实际执行观察修改带来的行为差异，采用有执行证据支持的修改，再将经验用于后续任务。 第二层则发生在任务之间的“Harnessing 级递归”。 Harness² 不会在一个任务结束后把刚刚得到的经验全部丢掉，而是维护一个持续存在的 Improvement Harness，将此前采用过的 Harness 方案以及有执行证据支持的经验保存下来，用于指导之后的优化。 由此，可以形成一个闭环：Agent 面对任务、修改执行方式、实际运行验证修改结果、保留有效经验，再利用这些经验指导下一轮 Harness 调整。 Google Research 已经在 JobBench、LAB 和 WorkBuddy-Bench 三类专业任务 Benchmark，以及 4 种“模型—Harness”配置上测试 Harness²，使用的基础模型包括 GLM-5 和 Gemini 3.5 Flash。 结果显示，仅进行一步 Harness² 优化，在模型权重保持不变的情况下，WorkBuddy-Bench 成绩最高提升 11.5 分，JobBench 最高提升 4.5 分，LAB 部分通过率最高提高 11.8 个百分点。继续增加任务级递归预算后，性能还会进一步提升。 Harness² 同时提供并行和顺序两种递归方式。前者同时探索多套 Harness，更偏向“搜索得更宽”；后者把上一轮优化结果和执行证据带入下一轮，更偏向“优化得更深”。 但这种提升并不是免费的。每增加一轮递归，都意味着为同一个任务运行更多候选 Agent 和模型调用，本质上是在用更多测试时计算换取更高成功率。 另外，Harness² 当前 executor 默认网络访问不受限制，而且 Codex executor 会关闭 sandbox。官方提醒，公开 Benchmark 的评分细则或答案可能通过互联网获取，因此正式评测需要另外限制网络访问。 “Harness 真的很难做！” “Harness 真的很难做！”长期参与 Harness 开发、并与多支生产团队合作的工程师 Viv 感叹道。 Harness 并不是一层可以脱离模型单独设计的通用软件。 Viv 将这一点概括为“模型 -Harness- 任务匹配”。 在他看来，Harness 的作用既是控制模型行为，也是放大模型已有能力。钩子、控制提示词、自动上下文管理等机制，本质上都在帮助模型把原生能力更稳定地用于某类具体任务。 不同模型适合的工具形态、提示词方式以及问题拆解方式也并不相同。一套针对 Claude 优化的上下文管理和工具策略