不改权重也能变强：谷歌开源Harness²，让智能体自己改自己的“外壳”

Google Research 开源了 Harness² 框架——无需调整模型权重，依靠两层递归机制，让智能体在执行过程中自行修改其周围的提示词、工具和记忆等八个组件。单步优化在 WorkBuddy-Bench 上最高提升了 11.5 分，且较弱的模型获益更多。该框架采用 Apache 2.0 协议，已上线 GitHub。

模型未变，分数却上涨了 11.5

在大模型时代，一个默认的设定是：要让 AI 变强，必须改动模型——通过训练、微调或蒸馏，总之要触及权重。Google Research 在 10 月 9 日提交到 arXiv 的一篇论文，则在这个设定上打开了一道裂缝。

论文标题为《Harness²: Recursive Agent Harnessing for an Open World》，来自 Google Cloud AI Research 和西北大学。核心思想很直接：一个智能体的能力，一半来自模型，另一半来自其周围的“外壳”——包括提示词、工具、记忆、技能和编排逻辑。这圈东西被称为 harness。Harness² 所做的是，让智能体在执行任务期间自主改写自己的 harness，且无需任何外部指示判断“改得是否正确”。

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

先呈现效果数据：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 提升至 75.7，增长了 11.5 分；在 Harvey 的法律基准 LAB 上，部分通过率提升了 11.8 个百分点；在 JobBench 上最高增长了 4.5 分。四个模型-执行器组合全部获得提升，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，名称虽然学术化，但逻辑并不复杂。

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，然后一个“编辑器”（默认为 Claude Opus 4.8——没错，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。两个候选方案在同一任务上分别进行测试，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——通过对比行为差异来判断哪个改动真正有效。

第二层称为 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）存入一个“改进库”，当遇到新任务时，该库会指导编辑器提出更合理的修改。每个新任务仍从基础 harness 开始，但编辑器已经积累了经验。

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，在 k=5 的并行递归下，还能额外获得 2.9 到 3.9 分。

为何现在值得关注：弱模型的“逆袭通道”

最引人注目的发现是：执行器越弱，收益越大。GLM-5 在 WorkBuddy-Bench 上经过一步优化后，超越了未优化的 Gemini 3.5 Flash——一个二线模型通过“更换外壳”战胜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何处。

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，成本低得多，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）——因为前者只改动部分组件，后者缺乏跨任务积累，而 Harness² 两者兼备。

在安全方面，团队也留下了警示：框架会自动修改执行环境周围的文件，沙箱隔离需要自行配置。论文明确指出“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，但出现问题需自行负责。

深入思考

Harness² 的思路并非孤例。过去半年，“让 AI 自我优化”的递归自我改进（RSI）方向成果频出：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 调优长程智能体。Harness² 的独特之处在于将“当前任务优化”和“跨任务经验积累”结合在一起，并直接开源了可运行的代码。

递归自我改进（RSI）正成为主线：AI 优化 AI 代码，能力曲线脱离人类研发的速度限制。

但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遍任务，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就表明，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，修改后的外壳未必更优。

从产业角度看，Harness² 指向的趋势比单一框架更重要：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好消息——你不需要最大的模型，只需最会自我调整的 harness。而对于模型厂商，这则是一个微妙的信号：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。

结尾

Harness² 的名字恰如其分——harness 是马鞍，是让马能够奔跑的装备。谷歌这篇论文证明的是：马鞍可以自行调整，并且随着调整，马会跑得越来越好。模型权重不变，分数依然上涨，这一思路一旦落地，AI 优化的成本结构将面临重写。

Apache 2.0 开源，代码已在 GitHub 上，接下来要观察的，是社区能否将这套系统从论文中的三个基准，带入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。