Harness² 將代理改進重新定位為系統工程問題，而非模型更新問題。它不會修改模型權重，而是反覆編輯代理的 harness，也就是由系統提示詞、護欄、記憶結構、工具指引、子代理與指令碼等組成、用來塑造代理行為的一整套機制；接著透過對比式執行，只採納能在相同任務中明確改善結果的修改。這種做法適合模型因合規、成本或認證要求而必須固定的企業環境，同時仍能透過可重現、可測試的 harness 修改，逐步改善代理行為。
實際運作上，Harness² 會執行「提案—探測—整合」（Propose–Probe–Compose）循環：編輯器提出候選 harness 修改，harness 多次執行相同任務以探測行為差異，再由整合器根據觀察到的輸出，產生只保留實證支持修改的新 harness。系統採用兩個遞迴層級。任務層級遞迴聚焦眼前工作（平行提出方案，或依照 --k 預算控制的連續精修步驟）；harness 層級遞迴則會持續記錄已採用的 harness 與經驗，讓後續任務從更完善的 harness 起步，無須明確的監督式標籤，也能實現經驗遷移。
專案公布的基準測試結果顯示，即使使用固定模型，仍能獲得顯著提升：單次 Harness² 步驟讓 GLM-5 與 Gemini 3.5 Flash 在 WorkBuddy-Bench、JobBench 和 LAB 上的表現都更好；WorkBuddy 提升最高約 11.5 分，JobBench 約 4.5 分，而 LAB 的部分通過指標則提升近 12 個百分點。此框架支援 OpenCode 與 Codex 風格的執行器、平行與連續遞迴模式，也提供本機試跑和評審式基準測試工具。這些成果顯示，當更動模型並不可行時，最佳化 harness 能成為極具效益的工程途徑。
對於開發程式碼代理、企業助理或自主工作流程的開發者，Harness² 提供了具體的操作方法：定義可編輯的 harness 元件，設計確定性的編輯器來產生候選修改，建置可靠的探測機制（可重複執行任務並搭配評審），並維護能記錄實證經驗的持續改進 harness。儲存庫包含無須模型憑證即可執行的示範流程，也提供 Vertex AI、Codex 執行器與 Docker 化基準測試環境的使用說明。Apache-2.0 授權也讓需要寬鬆授權的團隊能輕鬆整合與再散布。