Google Research 推出了开源的 Harness² 框架——它不改变模型的权重，而是通过两层递归机制，让智能体在执行任务的同时，自行调整其周边的提示词、工具、记忆等八个组件。单步优化在 WorkBuddy-Bench 基准测试中最高提升了 11.5 分，且能力较弱的模型获益更显著。该框架采用 Apache 2.0 协议，代码已在 GitHub 上线。

模型未变，分数却涨了 11.5

在大模型领域，有一个默认的共识：要让 AI 变强，就必须改动模型本身——无论是训练、微调还是蒸馏，总归要触及权重。谷歌研究院于 10 月 9 日在 arXiv 上发表的一篇论文，给这个共识打开了一道缝隙。

这篇论文名为《Harness²: Recursive Agent Harnessing for an Open World》，由 Google Cloud AI Research 和西北大学共同完成。其核心观点很直白：一个智能体的能力，一半来自模型，另一半则来自其周围的“外壳”——包括提示词、工具、记忆、技能以及编排逻辑。这个“外壳”被称为 harness。Harness² 做的事情是，让智能体在执行任务的过程中，自行改写自己的 harness，而且无需任何人告诉它“改得对不对”。

模型负责推理，而 harness（外壳）则掌控执行：上下文、状态、控制、恢复、验证和可观测性。

具体效果数字如下：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 升至 75.7，提升了 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。四个模型-执行器组合均实现提升，无一例外。

机制：两层递归，一层优化当前，一层积累经验

Harness² 的递归分为两层，名称听起来很学术，但逻辑其实不难理解。

第一层称为任务级递归。智能体首先使用基础 harness 执行一次任务，随后一个“编辑器”（默认采用 Claude Opus 4.8——没错，谷歌的框架使用了 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。这一过程称为 Propose-Probe-Compose，整个流程无需标准答案——仅通过对比行为差异来判断哪个改动真正有效。

第二层称为 harness 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）存入一个“改进库”中。当遇到新任务时，这个库会指导编辑器提出更合理的修改。每个新任务仍然从基础 harness 出发，但编辑器已经“见过世面”。

八个可编辑组件以文件形式挂载：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 到 3.9 分的提升。

为什么现在值得关注：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”赢过了一线模型的默认配置。这指向一个朴素但常被忽视的结论：模型能力只是下限，而 harness 的质量决定了上限能触及的高度。

对开发者来说，这意味着优化智能体多了一条不烧钱的路。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，见效也更快。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）——因为前者只动了部分，后者没有跨任务积累，而 Harness² 两者兼得。

在安全方面，团队自己也留下了警示：框架会自动修改执行环境周围的文件，沙箱隔离需要用户自行配置。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——翻译过来就是：代码给你了，出问题自己负责。

深入思考

Harness² 的思路并非孤例。过去半年，“让 AI 自己优化自己”的递归自我改进（RSI）方向成果密集：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 调整长程智能体。Harness² 的区别在于将“当前任务优化”和“跨任务经验积累”结合在一起，并且直接开源了可运行的代码。

递归自我改进（RSI）正在成为主线：AI 优化 AI 代码，能力曲线摆脱人类研发的速度限制。

但有几个边界需要明确。所有提升数字来自论文自测的三个基准，测试集与真实世界的“开放任务”之间仍有差距；每次优化意味着多执行几次任务，token 成本和延迟都会翻倍，对实时场景不友好；使用 Claude Opus 4.8 作为编辑器这一选择本身说明，harness 优化的质量上限取决于“修改者”的聪明程度——如果编辑器模型不够强，修改出的外壳未必更好。

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“谁的脚手架更会进化”。这对算力有限的团队是个好消息——你不需要最大的模型，只需要最会自我调整的 harness。对模型厂商来说，这是一个微妙的信号：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 这个名字起得恰如其分——harness 是马鞍，是让马跑起来的那套装备。谷歌这篇论文证明的是：马鞍可以自行调整，而且调整着调整着，马会越跑越好。模型权重不变，分数照样涨，这一思路一旦跑通，AI 优化的成本结构将面临重写。

Apache 2.0 开源，代码已在 GitHub 上，接下来要看的是，社区能否将这套东西从论文中的三个基准，应用到现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。