Harness²は、エージェントの改善をモデル更新の問題ではなく、システム設計の問題として捉え直します。モデルの重みを変更する代わりに、システムプロンプト、ガードレール、メモリのスキーマ、ツールの利用指針、サブエージェント、スクリプトなど、挙動を形作る要素の集合である「ハーネス」を反復的に編集します。そして、同じタスクで結果を比較実行し、成果の向上が実証された変更だけを採用します。この方法なら、コンプライアンス、コスト、認証などの理由でモデルを固定する必要がある企業でも、再現性と検証可能性を備えたハーネスの編集を通じて、段階的に挙動を改善できます。
Harness²は実際の処理で「提案・検証・統合（Propose–Probe–Compose）」のループを実行します。編集器がハーネスの変更案を出し、同じタスクを複数回実行して挙動の違いを検証し、統合器が観測結果によって裏付けられた変更だけを残す新しいハーネスを作成します。このシステムには2段階の再帰処理があります。タスクレベルの再帰では、--kの予算で制御しながら、並列の提案や逐次的な改善を通じて目の前のタスクに取り組みます。ハーネスレベルの再帰では、採用したハーネスや得られた知見を継続的に記録するため、今後のタスクをより優れた初期ハーネスから始められます。これにより、明示的な教師ラベルがなくても知見を転用できます。
プロジェクトが報告したベンチマーク結果では、モデルを固定したままでも目立った改善が確認されています。Harness²を1ステップ適用したところ、GLM-5とGemini 3.5 Flashの性能がWorkBuddy-Bench、JobBench、LABで向上しました。改善幅はWorkBuddyで最大約11.5ポイント、JobBenchで4.5ポイント、LABの部分合格指標で約12パーセントポイントに達しています。このフレームワークはOpenCodeやCodex形式の実行環境に対応し、並列・逐次の再帰モードに加え、ローカルでのドライランや評価付きベンチマーク実行のためのツールも備えています。モデルの変更が現実的でない場合、ハーネスの最適化が大きな効果をもたらすエンジニアリング手法となり得ることを、こうした結果は示しています。
コーディングエージェント、企業向けアシスタント、自律型ワークフローを開発する人にとって、Harness²は具体的な運用方法を提供します。編集可能なハーネスの構成要素を定義し、変更候補を作成する決定論的な編集器を用意し、再現可能なタスク実行や評価器を使って堅牢な検証を行い、根拠に基づく知見を蓄積する改善用ハーネスを維持します。リポジトリには、モデルの認証情報なしで実行できるデモフローのほか、Vertex AI、Codex実行環境、Dockerを使ったベンチマーク環境の手順も含まれています。Apache-2.0ライセンスにより、寛容なライセンスを必要とするチームでも、容易に統合・再配布できます。