Harness² replantea la mejora de los agentes como un problema de sistemas, no de actualización del modelo. En lugar de modificar los pesos del modelo, el framework edita de forma iterativa el arnés del agente —el conjunto de prompts del sistema, salvaguardas, esquemas de memoria, instrucciones para herramientas, subagentes y scripts que moldean su comportamiento— y utiliza ejecuciones contrastivas para aceptar únicamente los cambios que demuestran mejorar los resultados en una misma tarea. Este enfoque se adapta a las restricciones empresariales en las que los modelos son fijos por motivos de cumplimiento, costo o certificación, y permite mejorar el comportamiento paso a paso mediante cambios reproducibles y verificables en el arnés.
En la práctica, Harness² ejecuta un ciclo de Proponer–Explorar–Combinar: los editores proponen posibles cambios en el arnés, este ejecuta varias veces la misma tarea para explorar las diferencias de comportamiento y un compositor sintetiza un nuevo arnés que conserva los cambios respaldados empíricamente por los resultados observados. El sistema implementa dos niveles de recursión. La recursión a nivel de tarea se centra en el trabajo inmediato (propuestas en paralelo o pasos de refinamiento secuenciales controlados por un presupuesto --k). La recursión a nivel del arnés registra de forma persistente los arneses adoptados y las lecciones aprendidas, para que las tareas futuras partan de un arnés más sólido y transfieran ese aprendizaje sin etiquetas supervisadas explícitas.
Los resultados de referencia publicados por el proyecto muestran mejoras significativas con modelos fijos: un solo paso de Harness² mejoró GLM‑5 y Gemini 3.5 Flash en WorkBuddy‑Bench, JobBench y LAB, con aumentos de hasta aproximadamente 11,5 puntos en WorkBuddy, 4,5 en JobBench y casi 12 puntos porcentuales en la métrica de aprobación parcial de LAB. El framework es compatible con ejecutores de OpenCode y Codex, modos de recursión en paralelo y secuenciales, y herramientas prácticas para pruebas locales y evaluación con benchmarks y jueces. Estos resultados demuestran que optimizar el arnés puede ser una vía de ingeniería de gran impacto cuando no es viable cambiar el modelo.
Para quienes desarrollan agentes de programación, asistentes empresariales o flujos de trabajo autónomos, Harness² ofrece mecanismos operativos concretos: definir componentes editables del arnés, crear editores deterministas para proponer cambios, instrumentar pruebas sólidas (ejecuciones repetibles de tareas y jueces) y mantener un arnés de mejora persistente que reúna lecciones respaldadas por evidencia. El repositorio incluye flujos de demostración que se ejecutan sin credenciales de modelos, además de instrucciones para Vertex AI, ejecutores de Codex y configuraciones de benchmarks en Docker. La licencia Apache 2.0 facilita la integración y redistribución a los equipos que necesitan una licencia permisiva.