谷歌研究院开源了名为Harness²的框架，这一框架无需调整模型权重，而是通过双层递归机制，让智能体在执行任务时自行修改其周边的提示词、工具、记忆等八个组件。在WorkBuddy-Bench上，单步优化最高可带来11.5分的提升，且较弱的模型获益更多。该框架采用Apache 2.0协议，并已上线GitHub。
模型未变，分数却涨了11.5
大模型时代有一个默认前提：要让AI变强，就必须改动模型，比如通过训练、微调或蒸馏等方式触及权重。谷歌研究院在10月9日上传至arXiv的一篇论文，对这一前提提出了挑战。
这篇题为《Harness²: Recursive Agent Harnessing for an Open World》的论文，来自Google Cloud AI Research和西北大学。其核心观点十分直接：一个智能体的能力，一半源于模型本身，另一半则来自模型周围的“外壳”，包括提示词、工具、记忆、技能和编排逻辑。这部分被称为harness。Harness²所做的是，让智能体在执行任务时，自行改写其harness，且无需外界告知修改是否正确。
模型负责推理，而harness（外壳）则管理执行过程，包括上下文、状态、控制、恢复、验证和可观测性。
具体效果数据如下：在WorkBuddy-Bench（涵盖办公、网页和编程三类任务）上，GLM-5配合OpenCode执行器，经过单步优化后，得分从64.2分提升至75.7分，上涨了11.5分；在Harvey的法律基准LAB上，部分通过率提高了11.8个百分点；在JobBench上，最高提升了4.5分。所有四个模型-执行器组合均实现了提升，无一例外。
机制：双层递归，一层应对当前任务，一层积累经验
Harness²的递归机制分为两层，名称虽学术，但逻辑并不复杂。
第一层是任务级递归。智能体首先使用基础harness执行一次任务，随后一个“编辑器”（默认为Claude Opus 4.8——谷歌的框架采用了Anthropic的模型作为编辑器）提出两个修改方案：一个针对通用智能体缺陷（如规划或工具使用），另一个针对当前领域的专业知识。这两个候选方案会在同一任务上分别试跑，最后由“组装器”对比三份执行轨迹，仅保留有行为证据支持的改动。这一步骤被称为Propose-Probe-Compose，整个过程无需标准答案，而是通过比较行为差异来判断哪个改动更有效。
第二层是harnessing级递归，发生在每次任务之后。系统将采纳的harness和一份经验笔记（EXPERIENCE.md）存储到一个“改进库”中。当遇到新任务时，该库会指导编辑器提出更合理的修改。尽管每个新任务仍从基础harness开始，但编辑器已积累了过往经验。
八个可编辑组件以文件形式挂载，包括系统提示词、护栏、记忆、工具指南、子智能体、技能、脚本和插件中间件。预算参数k控制搜索深度，当k=5时，并行递归还能额外带来2.9至3.9分的提升。
为何值得关注：弱模型的“逆袭通道”
最值得注意的发现是：越弱的执行器，收益越大。GLM-5在WorkBuddy-Bench上经过一步优化后，反超了未优化的Gemini 3.5 Flash——一个二线模型通过“更换外壳”赢得了与一线模型默认配置的竞争。这指向一个朴素但常被忽略的结论：模型能力仅决定下限，而harness的质量决定了上限能达到的高度。
对开发者而言，这意味着优化智能体多了一条成本较低的路径。微调需要数据、算力和训练周期，而修改harness只需几次额外的执行，成本更低且见效更快。Harness²论文中的对比表显示，它在三个基准上全面超越了ReasoningBank（仅修改记忆）和Harness Scaling（仅修改单个实例），原因在于前者只改动部分组件，后者缺乏跨任务积累，而Harness²兼顾了两者。
在安全方面，团队也发出了警示：框架会自动修改执行环境周围的文件，沙箱隔离需用户自行配置。论文明确表示“这不是谷歌官方支持的产品”，不享受漏洞奖励计划——换言之，代码已提供，但风险由用户自行承担。
深层思考
Harness²的思路并非孤例。过去半年，递归自我改进（RSI）方向涌现了多项成果：斯坦福的Meta-Harness离线搜索最优harness，谷歌自己的ReasoningBank进行记忆复用，腾讯和清华的TreeOPSD使用无评论家RL优化长程智能体。Harness²的不同之处在于，它将“当前任务优化”与“跨任务经验积累”结合，并直接开源了可运行的代码。
递归自我改进正成为主线：AI优化AI代码，使能力曲线脱离人类研发的速度限制。
然而，有几个边界需要明确。所有提升数据均来自论文自测的三个基准，测试集与真实世界的“开放任务”仍有差距；每次优化意味着多执行几次任务，token成本和延迟会翻倍，不适合实时场景；使用Claude Opus 4.8作为编辑器本身表明，harness优化的质量上限取决于“修改者”的智能水平——如果编辑器模型不够强，改造后的外壳未必更优。
从产业角度看，Harness²指向的趋势比单个框架更重要：当模型能力趋于同质化，竞争正从“谁的模型更强”转向“谁的脚手架更善于进化”。这对算力有限的团队是利好——他们不需要最大的模型，只需最会自我调整的harness。对模型厂商而言，这传递了一个微妙信号：如果外壳优化的边际收益足够高，模型的差异化优势将进一步被压缩。
结语
Harness²的名字恰如其分——harness是马鞍，是让马奔跑的装备。谷歌这篇论文证明：马鞍可以自行调整，随着调整，马会跑得越来越好。模型权重不变，分数照样提升，这一思路一旦成熟，AI优化的成本结构将被重新定义。
Apache 2.0开源，代码已在GitHub上，接下来要看社区能否将这套机制从论文中的三个基准，应用到真实世界的复杂任务中。
本文来自微信公众号“AI唱反调”，作者：白壳，36氪经授权发布。
+15K 
