O Harness² reúne oito componentes editáveis que, em conjunto, moldam o comportamento dos agentes: prompt de sistema, barreiras de segurança, memória, orientações sobre ferramentas, subagentes, habilidades, scripts e plugins. Cada componente altera a forma como o contexto é construído ou como as ferramentas e a delegação funcionam no ciclo do agente. Assim, as equipes podem atacar problemas específicos — uso inconsistente de ferramentas, recuperação insuficiente de memória ou instruções frágeis nos prompts — propondo alterações pontuais no componente relevante do harness e validando-as por meio de testes controlados, em vez de fazer mudanças mais amplas e arriscadas no modelo.

A principal novidade da estrutura está nos dois ciclos de recursão em camadas. A recursão no nível da tarefa (controlada pelo limite --k) executa o ciclo Propor–Testar–Compor para o trabalho em andamento: em paralelo, para explorar diversos harnesses candidatos, ou sequencialmente, para refinar de forma iterativa uma única sequência de melhorias. A recursão no nível do harness preserva os harnesses adotados e as evidências que os justificaram; essas lições servem de referência para refinamentos posteriores no nível da tarefa. Para as equipes, essa separação viabiliza tanto a otimização imediata de tarefas quanto o aprendizado gradual entre tarefas, equilibrando exploração e acumulação de conhecimento sem alterar os parâmetros do modelo.

O Google relata ganhos reproduzíveis em três benchmarks profissionais — WorkBuddy‑Bench (escritório, web e código), JobBench (trabalho profissional) e LAB (tarefas jurídicas) — ao usar o Harness² para refinar harnesses do Gemini 3.5 Flash e do GLM‑5. As melhorias foram medidas sem atualizar os pesos, um ponto importante para equipes que não podem ou não querem retreinar modelos. A versão inclui ferramentas para executar experimentos com benchmarks, avaliar resultados e retomar execuções. Melhorias empíricas em benchmarks reconhecidos oferecem às equipes um caminho defensável para elevar o desempenho sem adquirir novos modelos ou arcar com o custo do ajuste fino.

O Harness² inclui demonstrações e orientações de configuração para execuções locais e benchmarks com suporte de serviços em nuvem. É compatível com executores OpenCode e Codex e oferece instruções para integração com o Vertex AI, uso do Docker no WorkBuddy e instalação de dependências como o Pandoc para o LAB. A API e as ferramentas de linha de comando permitem que as equipes façam testes preliminares, avaliem alterações candidatas de forma determinística e componham os harnesses adotados em um diretório persistente. Para as equipes de produto, isso significa poder incorporar a otimização do harness à integração contínua, instrumentar testes de regressão e gerenciar alterações do harness com os processos padrão de revisão de código e implantação.

O aprendizado no nível do harness é poderoso, mas não está isento de riscos. Como a composição se baseia no comportamento observado, e não em rótulos de referência, é preciso projetar com cuidado os avaliadores e os ambientes isolados dos testes. Isso ajuda a evitar o ajuste excessivo às peculiaridades da avaliação, o vazamento de dados confidenciais durante testes paralelos e a amplificação de comportamentos indesejados por meio de alterações repetidas. O repositório alerta contra o acesso irrestrito à rede pelos executores e recomenda configurar os avaliadores e as restrições de rede. Na operação, as equipes devem tratar os harnesses adotados como alterações de configuração: exigir revisão de código, implantação gradual e monitoramento para garantir que o comportamento reforce os resultados desejados.