谷歌开源了一个实用的项目，名字叫 Harness²，最近非常火。可是它一不训练模型，二不修改权重，它是罩在大模型外面的一套"系统"。啥意思呢？

大家知道，从System Prompt、工具列表、记忆模块、Skills、子Agent，到脚本、插件、编排逻辑……咱们让 Agent 来干活的时候，它能否干好未必取决于模型本身有多机智，而是取决于"外围系统"是不是被调好了。

问题是，众所周知调这些东西很麻烦，甚至可以说让人十分痛苦。Harness² 的底层逻辑正着落于此：既然人工调这么烦，那让 Agent 自己调自己的 Harness，行不行？？？

这个项目就是试图把"人反复试错调 Harness"的这个过程，变成 Agent 自己能反复执行的自动化优化流程。

具体的调整分两层递归，二者是环环相扣的。

第一层：任务级递归。

面对一个新任务，Agent 不急着用原来的 Harness 蛮干，而是先跑一个 Propose–Probe–Compose 循环——

[太阳]Propose（提案）：Agent 提出多个 Harness 修改方案——"要不要换个 Prompt 写法？"、"加一个检索工具试试？"、"记忆策略好像该改了？"

[彩虹]Probe（探测）：将这些方案实际跑一遍，让不同配置的 Harness 执行同一个任务，同时观察行为差异。

[微风]Compose（合成）：对比各个方案的执行轨迹，将就有效的改进组在一起，生成一个更匹配当前任务的 Harness！

注意，它能在没有标注数据的真实场景中跑哦。

第二层：Harness 级递归。

Agent 做完一个任务，不是保存结果就完事了，它还会把这次采用的 Harness 和有执行证据支持的改进经验沉淀至一个"改进记忆库"中。等下回遇到新任务，它就先翻以前的经验，看有无类似案子和类似解法。

两种方式是可以选的：并行递归会同时探索多个候选方案，顺序递归是逐渐迭代 refine。

在执行器层面，其兼容了 OpenCode 和 Codex，能优化的组件囊括八类，我就不一一列举了，反正你手动调 Harness 时能改的东西，几乎它都能自动调！

在三个专业基准测试上，只跑一轮 Harness² 优化，GLM-5 和 Gemini 3.5 Flash 就分别比自己原始的 Harness 提高了最高 11.5 分。该项目的开源仓库在 google-research/harness2，论文在 arXiv 上头可查（arXiv:2610.14224）。

如今，Agent 开发最大的麻烦之一，就是调 Harness。把这个流程自动化，实际就是在降低Agent的落地门槛。所以Harness²这个开源框架还是值得关注的。

项目地址：t点cn/AXl3kD4t