Harness²

Google Cloud AI Research 开源 Harness²，一款递归智能体利用（harnessing）框架。核心思路是冻结大模型权重，不去训练/微调模型，只迭代优化包裹模型外层的整套智能体运行环境（Harness），依靠递归试错、对比评估自动优化提示词、工具编排、记忆等组件，让编程智能体能力提升。项目版本0.1.0，Apache 2.0许可证，运行环境为Linux，Python3.12/3.13搭配uv，模型调用依托Vertex AI。

核心概念：Harness与8个可编辑组件

Harness就是模型之外整套智能体运行系统，Harness²把它拆分为8个可独立修改的文件组件：

1. 系统提示
2. 护栏规则
3. 记忆模块
4. 工具指导
5. 子智能体
6. 技能
7. 脚本
8. 插件（中间件）

相比旧版Agentic Harness Engineering，新增插件中间件组件，覆盖上下文构建、工具调用、任务委托、智能体循环全链路。

递归智能体利用工作机制

框架分为两层递归优化，不需要真值标签、预先准备测试集，适配开放世界未知任务场景：

1. 任务级递归：提议 → 探测 → 组合
   先用基础Harness执行一次任务；接着生成两类候选Harness修改方案：一类解决通用智能体缺陷（规划、工具调用错误），一类针对当前任务领域做优化；在同一任务上并行运行两组候选，对比执行轨迹，只保留有实际行为证据支撑的修改。
2. 利用级递归：经验沉淀
   任务结束后，反射模块保存优化后的Harness与EXPERIENCE.md经验文档，沉淀经验库，用于后续任务的方案生成；新任务依然从基础Harness启动。

支持预算k搜索策略：并行模式同时探测k组不变/领域候选再组合；顺序模式串行执行k轮细化迭代。

基准测试结果

测试采用三大基准：WorkBuddy-Bench、JobBench、Harvey’s LAB；执行模型为Gemini 3.5 Flash、GLM-5，搭配OpenCode/Codex智能体框架，编辑器使用Claude Opus 4.8，分数取3轮均值。
单步优化（K=1）关键提升：

• GLM-5 + OpenCode：WorkBuddy-Bench 64.2 → 75.7（+11.5分），提升幅度最大，优化后甚至超过基础版Gemini 3.5 Flash
• Gemini 3.5 Flash + OpenCode：WorkBuddy 72.4 →77.5；JobBench 31.5→36.0；LAB 79.9→81.9
• GLM-5 + Codex：JobBench提升最小，仅23.6→24.8（+1.2分）

k=5并行递归模式下，Gemini+OpenCode在WorkBuddy-Bench最高达到80.8分，并且部分场景还减少单任务执行步数（Gemini OpenCode从25.4步降至21.9步）。

和同类Harness优化框架横向对比

要点小结

Harness²代表一类新方向：智能体能力瓶颈不一定在模型本身，而在模型外围编排层。它不需要微调权重，通过多候选并行探测、基于行为轨迹对比做筛选，不靠标准答案也能持续迭代优化智能体提示、工具、记忆等整套运行环境，并且经验可以跨任务复用。代价是每一轮优化都需要额外多次运行智能体任务，需要配套沙箱隔离来保证安全。