Harness² ： 不改模型权重的递归自我改进智能体框架
AI智库导航-aiguide.cc为您提供最新的AI新闻资讯和最新的AI工具推荐，在这里你可以获得用于营销的AI聊天机器人、AI在商业管理中的应用、用于数据分析的AI工具、机器学习模型、面向企业的AI解决方案、AI在商业客户服务中的应用、AI和自动化工具等。
主要介绍
Harness²（读作 Harness Squared）是 Google Research 与美国西北大学于 2026 年 10 月 6 日联合开源的「递归智能体驾驭」框架，配套论文《Harness²: Recursive Agent Harnessing for an Open World》（arXiv 编号 2610.14224）。它要解决的问题是：智能体在真实开放世界中总会遇到设计时没见过的任务，传统解法是微调模型，但微调成本高、有灾难性遗忘风险，而且对闭源 API 模型根本走不通。Harness² 的答案是不动模型权重的每一个比特，把优化对象换成包裹在模型外部的「执行框架（harness）」——系统提示词、护栏、记忆、工具指导、子智能体、技能、脚本、插件这八个组件。它让智能体在执行任务的过程中反复改写自己的外壳：任务之内通过「提议—探测—组合」三步试错打磨，任务之间把可复用的外壳与有证据支撑的经验沉淀进一个持久的「改进框架」，指导下一次优化。官方在三个职业向基准上报告：仅单步优化，GLM-5 与 Gemini 3.5 Flash 就能稳定超越它们的基础外壳，WorkBuddy-Bench 至多上涨 11.5 分、JobBench 上涨 4.5 分、LAB 法律基准部分通过率上涨 11.8 个百分点。项目开源两周即获得超过两万星标，被业界视为「递归自我改进（RSI）」概念的一次务实落地。
google-research/harness2 仓库官方预览图（GitHub OpenGraph）
功能特点
-
八个可编辑组件：系统提示词、护栏、记忆、技能四类负责构造上下文，工具指导与脚本两类负责定义工具接口，子智能体负责编排委派，插件负责控制中间件——优化所能改变的不只是一句提示词，而是智能体构建上下文、调用工具、委派任务与工具循环内部行为的一切。
-
双层递归机制：任务级递归针对当前任务打磨执行外壳；驾驭级递归维护一个持久的「改进框架」，每个任务完成后吸收该任务最终采纳的外壳与完整执行记录，形成可跨任务复利的经验库。
-
无需标准答案的优化：任务级递归采用对比式的「提议—探测—组合」步骤——先提出多个外壳修改方案，再让不同版本实际执行同一个任务，最后从多次执行的行为差异中组合出更优外壳，全程不依赖真实标签或评分器反馈。
-
两种递归扩展模式：并行递归一次探测多个通用候选与多个领域候选，从共享执行证据中产出多个组合，探索得更宽；顺序递归把打磨后的外壳与累积证据一路带过多个连续步骤，打磨得更深。递归预算通过参数自由调节。
-
双执行器支持：默认使用 OpenCode 执行器，可一键切换到 Codex 执行器；框架暴露为七个命令行入口，覆盖演示、环境安装、预检、运行、评分、报告与桥接。
-
复现性写进流程：评分与报告强制对齐打磨时使用的同一套基准、执行器、任务子集、递归预算、模式与随机种子；重复执行同一条命令即可断点续跑；所有结果统一落在运行目录，包含任务摘要、交付物、采纳的外壳、反思笔记与评估结果。
-
免凭据本地演示：自带确定性编辑器加真实 Python 执行的本地演示，不配置任何模型凭据也能完整走通两层递归机制，适合快速理解原理。
优缺点
优点：
-
不改模型权重：对闭源 API 模型（如 Gemini、Claude）同样适用，绕开了微调的成本、灾难性遗忘与权重不可及三大障碍。
-
把「优化智能体」从一次性的人工调参变成可复利的过程：任务级递归负责当下变好，驾驭级递归负责经验跨任务积累，且每条沉淀的经验都必须附带成功的执行轨迹作为证据。
-
优化无需标准答案：对比式「提议—探测—组合」只看行为差异，适配真实企业环境中大量不存在唯一正解的开放任务。
-
效果有论文与开源基准背书：arXiv 论文、三个职业向基准、四种「模型×外壳」配置的完整实验包全部开源，第三方实测免凭据演示十余秒即可跑通。
-
复现协议严格：评分、报告与打磨强制参数对齐，断点续跑开箱即用，结果目录可审计。
缺点：
-
官方免责声明明确：这不是一个官方支持的 Google 产品，也不适用于 Google 开源软件漏洞奖励计划——属于研究项目，不建议直接用于生产。
-
仓库极为早期：截至 2026 年 10 月 28 日仅有 3 次提交（10 月 8 日初始提交、10 月 9 日更新、10 月 14 日修复论文链接）、2 位贡献者、无任何正式发布记录，版本停留在 0.1.0，且 10 月 14 日后两周未再更新。
-
并非零代码方案：仅支持 Linux、Python 3.12 至 3.13，需通过 uv 从源码安装；跑真实模型基准还需 Node.js 20 以上、Google Cloud CLI 与 Vertex AI 项目（LAB 另需 Pandoc 与 Poppler，WorkBuddy-Bench 需 Docker），并产生真实 API 费用；第三方实测单个任务的候选探测可能需要 4 至 20 次完整智能体运行。
-
安全与评估风险官方明写：执行器的网络访问不设限，Codex 执行器更是禁用了沙箱运行；三个基准的评分标准公开可查，评测前必须自行配置网络限制，否则测出的是「会搜索」而不是「会干活」。第三方评测还观察到自写验证脚本可能为自己的错误盖章放行，甚至有智能体在开放网络下自行找到并下载了基准的评分细则。
如何使用
整个流程围绕七个命令行入口展开，可以概括为八步：
-
第一步，准备环境：一台 Linux 机器、Python 3.12 或 3.13、uv 包管理器；从仓库根目录创建虚拟环境并以可编辑模式安装 harness2 包及渲染依赖。
-
第二步，先看原理：运行免凭据的本地演示命令 harness2-demo，用确定性编辑器和真实 Python 执行跑通并行与顺序两种递归模式，不花一分钱 API 费用。
-
第三步，选择基准：JobBench（专业工作）、LAB（法律工作）、WorkBuddy-Bench（办公、网页、代码）三选一，运行对应的 harness2-setup 初始化任务环境，再用 harness2-check 预检。
-
第四步，配置模型：复制环境变量模板，填入 Vertex AI 项目与模型 ID，完成 Google Cloud 应用默认凭据登录；也支持通过环境变量接入其他兼容的评分模型服务。
-
第五步，运行打磨：执行 harness2 主命令，用 –k 指定任务级递归预算，用 –mode parallel 或 sequential 选择递归模式，用 –substrate cx 切换 Codex 执行器；先加 –dry-run 预览任务选择，确认后再真实运行。
-
第六步，评分与报告：依次运行 harness2-judge 与 harness2-report，参数必须与打磨时完全一致；评分失败的任务保持未计分并写入日志，稍后可重跑评分。
-
第七步，查看产物：所有结果位于 runs 目录，按基准与子集组织，含任务摘要、交付物、最终采纳的外壳、反思笔记与评估结果；重复同一条命令即可断点续跑，更换模型或任务选择时应使用新的运行目录。
-
第八步，控制风险：按官方实验指南配置执行器的网络限制，把基准答案与评分标准挡在外面；模型驱动的运行会产生真实费用，先用小任务子集试跑。
框架技术原理
Harness² 的技术核心是把「智能体能力」拆成模型与外壳两个变量，再让外壳的优化过程递归化。论文先给出定义：外壳（harness）是围绕模型的整套系统——提示词、工具、记忆、技能、编排等，让模型能以智能体的方式行动；驾驭（harnessing）就是优化这套系统的过程。任务级递归采用对比式的「提议—探测—组合」：外壳编辑器分析当前执行轨迹中暴露的痛点，提出多组对外壳的修改方案（提案分为通用编辑与领域编辑两类）；随后让换装不同外壳的智能体候选在同一个任务上实际执行；最后从多次执行的行为差异中组合出打磨后的外壳——哪些修改真正解决了卡点，由行为对比说话，而不是由标准答案说话。驾驭级递归则维护一个持久的改进框架，用公式表达即「下一代改进框架＝更新（当前改进框架，本任务最终外壳，本任务执行记录）」；值得注意的是，每个新任务都从同一个基线外壳重新出发，而不是在上一个任务的外壳上继续改，避免任务特异的噪声跨任务累积，可复用的部分由改进框架以「证据支撑的经验教训」形式沉淀。递归预算的两种扩展方向——并行探索更宽、顺序打磨更深——分别对应探索与利用的权衡。评分环节由独立的评分器完成（LAB 使用基于评分细则的判定，JobBench 使用上游 Rubric 权重），且评分器读取输出的时机被设计在任务选择之后，防止改进过程窥视答案。
创新点
-
把业界谈论已久的「递归自我改进（RSI）」从改权重挪到了改外壳：模型一个参数不动，智能体却能在任务中越变越强，这为「上下文工程会不会替代微调」的争论投下了一枚有分量的票。
-
「提议—探测—组合」的对比式优化不依赖标准答案，把自动优化方法的适用范围从「有评测集、有奖励信号的封闭任务」扩展到了「没有唯一正解的开放世界任务」。
-
经验沉淀强制附带执行证据：改进框架里的每条教训都必须有成功轨迹支撑，避免无根据的规则污染后续优化。
-
每个任务从基线外壳重新出发、可复用部分走改进框架的分离设计，兼顾了任务特异打磨与跨任务泛化。
-
官方实验还发现「往系统提示词里不断堆规则反而会变差」——每加一个字都会在每一步被重读，烧掉上下文预算直到智能体没有空间完成任务；因此 Harness² 把优化重心放在按需技能、自写脚本、隔离子智能体等轻量层，这一反直觉结论对所有做智能体的人都有参考价值。
评估标准
官方成绩出自三个职业向基准、四种「模型×外壳」配置，全部锁定模型权重、不依赖真实标签验证。单步 Harness² 即可将 GLM-5 与 Gemini 3.5 Flash 推过各自的基础外壳：
|
基准
|
领域
|
上游来源
|
评分方式
|
单步递归涨幅
|
|---|---|---|---|---|
|
WorkBuddy-Bench
|
办公、网页、代码三个子集
|
Tencent 开源的 workbuddy-bench
|
官方基准评分，需 Docker 环境
|
至多上涨 11.5 分
|
|
LAB
|
法律工作（按执业领域分组）
|
法律科技公司 Harvey 开源的 harvey-labs
|
基于评分细则的 Partial（通过标准比例）与 All-pass（全部通过）双指标
|
部分通过率上涨 11.8 个百分点
|
|
JobBench
|
专业职业任务（按职业目录分组）
|
Job-Bench 组织开源，数据集在 Hugging Face 公开
|
上游 Rubric 权重评分，未计分任务单独报告
|
上涨 4.5 分
|
需要注意：以上均为官方自测数字，评分模型的选择会改变测量结果（LAB 的判定由 Vertex 模型承担），第三方尚未见大规模独立复现；论文同时指出加大递归预算还能继续涨分，但探测候选外壳本身需要多次完整运行，涨分与成本需要一起看。
应用领域
-
企业智能体生产调优：把「看日志、手动改提示词」的重复劳动交给自动化的「提议—探测—组合」循环，让智能体上线后持续变好。
-
法律与专业服务：LAB 基准源自 Harvey 的法律任务集，适合合同审查、文书起草等 rubric 明确的专业场景。
-
办公自动化与编码助手：WorkBuddy-Bench 覆盖办公、网页、代码三类高频场景，可针对不同子集分别打磨外壳。
-
智能体研究复现：论文加代码加三个基准配置构成完整可复现的实验包，研究者可直接在其上探索新的外壳编辑策略。
-
对「数字思维分身」类产品的启示：专家思维本质上就是「提示词＋记忆＋技能＋子智能体」的组合，Harness² 证明了这套组合可以被自动化地持续打磨——不改基座模型、只改认知结构，恰恰是不依赖微调的专家分身路线最有力的方法论背书。
项目地址
以下是 Harness² 的三个官方入口，均为实测可访问链接：
-
项目主页：https://harness2.github.io
-
代码仓库：https://github.com/google-research/harness2
-
技术论文：https://arxiv.org/abs/2610.14224
同类型工具比较
把 Harness² 放进「智能体能力提升」的坐标系里，它与微调、提示词自动优化、人工调优等路线的定位差异如下：
|
方案
|
优化对象
|
是否改模型权重
|
是否需要标准答案
|
主要门槛
|
|---|---|---|---|---|
|
Harness²
|
模型外部的八类外壳组件
|
否，全程冻结
|
否，靠执行行为差异对比
|
Linux＋Python 3.12＋Vertex AI，评测需自建网络隔离
|
|
传统微调（SFT／LoRA）
|
模型参数本身
|
是
|
是，需要标注数据或奖励信号
|
算力与标注成本高，有灾难性遗忘风险，闭源模型不可行
|
|
DSPy 等提示词自动优化
|
提示词与流水线配置
|
否
|
通常需要评测集与指标
|
需构建评测集，优化范围限于提示词层
|
|
人工调优（提示词／技能包手工迭代）
|
提示词、技能与编排（人工）
|
否
|
靠人工经验判断
|
依赖工程师个人经验，不可复利、难审计
|
|
评估驱动的线上调优（Eval 循环）
|
轨迹数据与评估指标
|
否
|
是，依赖评估器
|
需搭建评测与监控体系，改进仍由人执行
|
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
AI全网资源导航每日收集国内外热点AI/人工智能/工具/模型/框架以及最新的AI学习资料/课程等，在这个全新的AI时代，助力每一个人，赋能每一个具体业务场景，与所有人一起努力向前！