AI 产品新闻智能体基础设施编辑推荐

Harness²：Google 开源的自我改进型 AI 智能体框架

Google 发布了 Harness²，这是一款采用 Apache-2.0 许可证的框架，可让智能体围绕固定模型改写提示词、护栏、记忆和工具指南。本文将介绍 Harness² 如何通过两层递归改善智能体行为而无需微调、开发者实际可以采用哪些做法，以及基准测试中测得的性能提升。

NexusAI Editorial Desk2026年10月20日1.5K 次阅读8 分钟阅读

AI 简报

Harness² 是一款实用的开源框架，通过递归式 harness 优化提升智能体表现：它围绕固定的基础模型，对提示词、护栏、记忆结构、工具、子智能体、技能和插件等系统要素提出修改建议，在同一任务中探测行为，并组合出有证据支持的改进。Google 报告称，Harness² 搭配 Gemini 3.5 Flash 和 GLM-5，在 WorkBuddy-Bench、JobBench 和 LAB 上均取得显著提升；项目还支持 OpenCode/Codex 执行器。对开发者和企业团队而言，Harness² 提供了一种无需昂贵模型再训练、就能在 harness 层面持续改进编码智能体和助手的方法；关键在于做好探测、稳健地组合修改，并持久保存经验。

Harness² 将智能体改进重新定义为系统问题，而非模型更新问题。它不修改模型权重，而是迭代调整智能体的 harness——包括系统提示词、护栏、记忆结构、工具指南、子智能体和脚本等塑造其行为的要素——并通过对比式执行，只采纳那些能够在同一任务中明确改善结果的修改。对于因合规、成本或认证要求而必须使用固定模型的企业，这种方法尤其适用；同时，它仍能通过可复现、可测试的 harness 修改，逐步改善智能体行为。

在实际运行中，Harness² 会执行“提议—探测—组合”循环：编辑器提出候选 harness 修改，harness 多次运行同一任务以探测行为差异，组合器再综合生成新的 harness，只保留有观察结果作为实证支持的修改。系统设有两层递归。任务级递归聚焦当前工作（通过 --k 预算控制并行提议或逐步优化）；harness 级递归则会持续记录已采纳的 harness 和经验，让后续任务能够从更完善的初始 harness 出发，无需明确的监督标签即可实现经验迁移。

项目公布的基准测试结果显示，在模型固定的情况下，Harness² 的单步优化就能提升 GLM-5 和 Gemini 3.5 Flash 在 WorkBuddy-Bench、JobBench 和 LAB 上的表现：WorkBuddy 得分最高提升约 11.5 分，JobBench 提升 4.5 分，LAB 的部分通过率指标则提升近 12 个百分点。该框架支持 OpenCode 和 Codex 风格的执行器，提供并行和顺序递归模式，以及本地试运行和评测基准的实用工具。这些提升表明，当更改模型不切实际时，优化 harness 也能成为高杠杆的工程路径。

对于开发编码智能体、企业助手或自主工作流的团队，Harness² 提供了切实可行的操作方法：定义可编辑的 harness 组件，为候选修改编写确定性编辑器，构建可靠的探测机制（可重复执行任务并进行评判），并维护一个持久化的改进 harness，用来记录有证据支持的经验。代码库包含无需模型凭据即可运行的演示流程，也提供了 Vertex AI、Codex 执行器和 Docker 化基准测试环境的使用说明。Apache-2.0 许可证也让需要宽松许可的团队能够轻松集成和再分发。

核心要点

无需更新模型权重，也能改进智能体

Harness² 表明，优化提示词、护栏、记忆和工具指南，无需重新训练基础模型，也能在专业基准测试中取得可量化的性能提升。对于因成本、合规或治理要求而必须使用固定模型的场景，这种方法尤其有用。

让修改可测试、可持续积累

采用“提议—探测—组合”循环，结合确定性探测和持久化的改进 harness，确保只采纳有证据支持的修改，并让后续任务受益于此前积累的经验。

像管理代码一样管理 Harness 修改

通过 CI、审查和分阶段部署管理 harness 修改；为评判器和执行器配置探测与沙箱，避免过度适应评估偏差，或引入数据泄露和安全漏洞。

Harness² 实际会改变什么

Harness² 将八个可编辑组件集中管理，它们共同塑造智能体的行为：系统提示词、护栏、记忆、工具指南、子智能体、技能、脚本和插件。每个组件都会影响上下文的构建方式，或影响智能体循环中的工具调用与任务委派。因此，团队可以针对具体的失效模式——例如工具使用不一致、记忆召回不足或提示词指令不够稳健——对相关 harness 组件提出有针对性的修改，并通过受控探测验证，而不是对模型进行范围更广、风险更高的改动。

两层递归：任务级与 Harness 级

该框架的核心创新在于两层递归循环。任务级递归（由 --k 预算控制）会针对当前任务执行“提议—探测—组合”：既可以并行探索多种候选 harness，也可以按顺序逐步优化同一条改进链。harness 级递归则会持续保存已采纳的 harness 及其支持证据；这些经验会成为后续任务级优化的先验。对于团队而言，这种分层既能立即优化当前任务，也能逐渐积累跨任务经验，在探索与积累之间取得平衡，而无需更改模型参数。

基准测试、模型与实际收益

Google 表示，在 Harness² 为 Gemini 3.5 Flash 和 GLM-5 优化 harness 后，三个专业基准测试均取得了可复现的提升：WorkBuddy-Bench（办公、网页和代码）、JobBench（专业工作）以及 LAB（法律任务）。这些提升是在不更新模型权重的情况下测得的，这对无法或不愿重新训练模型的应用团队尤为重要。此次发布还包含运行基准实验、评判结果和恢复运行的工具。经过认可的基准测试验证的实际提升，为团队提供了一条有依据的性能提升路径，无需采购新模型或投入高昂成本进行微调。

开发者体验与集成

Harness² 提供演示流程和配置指南，支持本地运行及云端基准测试。它兼容 OpenCode 和 Codex 执行器，并提供 Vertex AI 集成、用于 WorkBuddy 的 Docker 配置，以及 LAB 所需的 Pandoc 等依赖项说明。通过 API 和命令行工具，团队可以进行试运行、确定性地探测候选修改，并将采纳的 harness 汇总到持久化目录中。对产品团队来说，这意味着可以将 harness 优化纳入 CI，为回归检查配置探测机制，并通过标准的代码审查和部署流程管理 harness 修改。

风险、局限与运行防护

Harness 级学习功能强大，但并非没有风险。由于组合过程依据观察到的行为而非真实标签进行，必须谨慎设计探测评判器和沙箱，以免过度适应评估中的特殊情况、在并行探测期间泄露敏感数据，或因反复修改而放大不良行为。代码库提醒用户，不要向执行器开放不受限制的网络访问，并建议配置评判器和网络限制。在运行管理上，团队应像对待配置变更一样管理已采纳的 harness：要求代码审查、分阶段推出并持续监控，确保行为朝预期方向改善。