开源 Harness²，AI代理通过“自我修改外围装备”来实现递归式自我改进

在AI代理（Agent）爆发的“黄金十年”里，开发者们遭遇了一个极其尴尬的现实：真实世界是开放的，没有标准答案。网页每天都在变，API随时更新，用户的指令千奇百怪。

当AI代理搞砸任务时，传统的解法是“微调模型（Fine-tuning）”，但这需要海量标注数据、昂贵算力，还可能引发“灾难性遗忘”。

更致命的是，如果你用的是Gemini或Claude这样的闭源API，你连模型的权重都摸不到，根本无从改起。

难道不碰模型底层，AI代理就无法自我进化了吗？

近日，谷歌研究院联合美国西北大学，开源了一项名为 Harness²（或称 Harness2） 的重磅框架。它最大的颠覆性在于：允许AI代理在不重新训练底层模型、完全不触动模型权重的情况下，通过“自我修改外围装备”来实现递归式自我改进。

1.什么是 Harness？什么又是 Harness²？

要理解 Harness²，先要明白什么是 Harness（直译为“控制带”）。

在AI语境中，Harness指的是在大语言模型外部帮助它与现实世界交互的所有基础设施。如果说模型是“大脑”，那 Harness 就是大脑的“手、眼、记忆和工具箱”。

谷歌在 Harness²中，将这个抽象概念具象化为8大可编辑组件：

·系统提示词（System Prompt）：定义Agent的角色和基础规则。

·护栏（Guardrails）：设定安全边界，防止危险操作。

·记忆（Memory）：存储跨任务的长期经验。

·工具指导（Tool Guidance）：告诉Agent每个工具怎么用、何时用。

·子智能体（Sub-agents）：把复杂任务拆解、分配给特定的小模型协助。

·技能（Skills）：针对特定场景固化的操作步骤。

·脚本（Scripts）：代理可运行的辅助Python代码。

·插件（Plugins）： 在工具循环中塑造行为的中间件。

Harnessing（驾驭），就是优化这套系统的过程。过去，这活儿靠人类工程师手动干：看着Agent失败，改改提示词，加个工具，再试一次。但在开放世界中，任务千变万化，人工调参根本来不及。

于是，Harness²来了。名称里的上标“2”，代表两层递归。它把“人工调参”变成了AI自动执行的递归循环：模型自己去发现工具哪里不好用，提示词哪里写得差，然后自己重写这些外围组件。改完后的新装备，会被带入下一个任务继续使用。

2.双层递归：Harness²是如何工作的？

Harness²的核心魔法，是两层互相嵌套的递归循环：

第一层：任务级递归（解决眼前问题）—— PPC 机制

面对一个没见过的任务，Agent搞砸了，它会启动 PPC（Propose–Probe–Compose，提议-探测-组合） 流程：

·提议（Propose）： 一个“约束编辑器”针对当前任务的痛点，提出多个对八大组件的修改方案（包括通用的和特定领域的）。

·探测（Probe）： 让换上不同“新装备”的Agent，把同一个任务重复跑好几遍。

·组合（Compose）： 比较不同运行轨迹之间的差异，把那些真正让结果变好的修改方案融合起来，生成当前任务的“终极战甲”。

关键在于：它不需要标准答案！ 它只通过对比“同一任务两次运行之间的行为差额”来学习。因为在开放世界里，没人会给Agent发一张写满正确答案的答题卡。

这一层还分两种模式：并行递归（同时试探多个候选，探索更广）和顺序递归（一步步把改进后的框架带入下一步，挖掘更深）。

第二层：元级/利用层递归（积累全局智慧）

如果只停留在任务级，Agent不过是个“熟练工”，换个任务又得从零开始。所以每完成一项任务后，Harness² 的“经验反射器”会把这次采用的修改方案以及“有证据支持的成功轨迹”，存储进一个持续改进的“错题本/经验库”中。

当面对全新任务时，元级循环会翻开这本经验库，用过去总结的底层逻辑（比如“处理表格前先用脚本清洗空值，成功率更高”），直接指导当前任务的框架编辑。这就是举一反三。

3.战绩彪悍：不改权重，性能狂飙

架构再花哨，还得看疗效。谷歌在3大硬核基准测试中，锁死了GLM-5和Gemini 3.5 Flash的模型权重，仅进行了单步（Single-step）的Harness优化：

·在考验复杂办公协作的 WorkBuddy-Bench 上，最高暴涨 +11.5分！

·在模拟真实职业任务的 JobBench 上，稳步提升 +4.5分！

·在硬核的 LAB（法律工作，基于 Harvey 的基准）测试中，部分通过率飙升 +11.8个百分点！

而这仅仅是“单步”优化的威力。论文指出，随着递归预算 k 的增加（允许Agent多轮自我迭代），成绩还会继续攀升。模型还是那个模型，但智能体已脱胎换骨。

4.开源的意义：为什么我们不想改“模型权重”？

Harness²以 Apache 2.0 许可证开源（附论文与免费演示，无需API密钥即可运行），它的出现给整个AI行业带来了3个极其务实的价值：

一是可读、可审计。所有的改进都保存在普通文本文件（提示词、脚本、护栏）里。开发者可以直接用 git diff 查看AI到底改了什么，甚至它还会写下“为什么采用这项改动”。

二是通吃闭源模型。因为不涉及训练，它适用于任何你无法微调的模型。你只需要把 Gemini、Claude 或 GLM 的 API 填进配置文件，它就能帮你自动调优。

三是摆脱“答案依赖”。改进来源于执行轨迹的对比，而不是需要标注好的训练数据。这让它真正能在没有标准答案的真实业务场景里落地。

LangChain的核心成员Sydney Runkle第一时间深度长评：Harness²的设计与最前沿的Agent 工程理念——Trace（轨迹证据）与 Eval（验证改进）高度一致。它等于在 LangChain 之上，提供了一个全自动的“Agent医生”——开发者再也不用一行行看日志、手动调提示词了，Agent自己看着日志，就把自己的“8大组件”修好了。

5.Harness² 与 RSI（递归自我改进）的关系

那么，谈谈 Harness² 与 RSI（Recursive Self-Improvement，递归自我改进）有什么关系呢？

传统意义上的 RSI，往往让人联想到“AI修改自己的代码甚至权重，从而变得比人类更聪明”的科幻场景（这也是很多AI安全研究警惕的“硬起飞”）。但 Harness² 走出了一条非侵入式的“软 RSI”路径：

·它不动大脑（模型权重），只换装备（Harness）。

·任务级循环解决“当下怎么做得更好”（局部 RSI）；

·元级循环沉淀“未来怎么改得更快”（全局 RSI）。

人类之所以能统治地球，并不是因为脑容量在几千年里发生了生物突变，而是靠语言（Prompt）、文字（Memory）和工具（Tools）的代代相传与迭代。Harness²，正是在不触碰模型参数的前提下，赋予了 AI 代理同样的文化与技术传承能力。

这是 RSI 的一种安全、可控且立即可用的实现：智能体的“硬件”（模型）没变，但它的“软件与工具箱”正在通过自己的执行轨迹，一层层递归进化。

谷歌这次开源的，或许正是未来每一个自主Agent走向真正生产力的“自我进化引擎”。