谷歌开源Harness²：通过递归优化外部组件提升Agent能力，实测性能显著但成本与安全挑战并存

事件概述

谷歌研究团队（Google Research）以 Apache 2.0 协议开源了 Harness²（面向开放世界的递归智能体 Harness），这是一个支持 OpenCode 和 Codex 的 AI Agent 框架。该框架旨在让 Agent 在不改变底层模型权重的前提下，通过持续迭代和优化系统提示词、记忆、Skills、子智能体等“外部组件”，实现能力的递归式提升。目前该项目仍处于研究阶段，并非官方商业产品。

核心机制与实测表现

1. 双层递归优化机制
Harness² 的核心创新在于引入了两层递归逻辑，使 Agent 能够在没有标准答案的情况下进行自我改进：

• 任务级递归（Task-level Recursion）： 针对单个新任务，执行“提出—探测—组合”流程。系统生成多个 Harness 修改方案，让不同版本并行或顺序执行同一任务，通过观察行为差异来筛选并重组出更优的执行策略。
• Harnessing 级递归（Harnessing-level Recursion）： 跨任务的经验沉淀。系统将经过验证的有效经验和 Harness 方案保存至 Improvement Harness 中，用于指导后续任务的优化，形成闭环。

2. 性能提升数据
在 JobBench、LAB 和 WorkBuddy-Bench 等专业基准测试中，仅经过一步 Harness² 优化（模型权重不变），取得了以下显著提升：

• WorkBuddy-Bench： 成绩最高提升 11.5分。
• JobBench： 成绩最高提升 4.5分。
• LAB： 部分通过率最高提高 11.8个百分点。

国内开发者 Joseph Zhou 将 Harness² 接入 Jev 1.14 后也证实，在不调整模型权重的情况下，视觉任务表现得到了大幅改善。

现实挑战与行业反思

尽管性能提升显著，Harness² 在实际落地中仍面临多重严峻挑战：

1. 高昂的计算成本
每增加一轮递归意味着更多的模型调用、候选 Agent 运行及回归测试。这种“用测试时计算换取成功率”的模式可能导致 Token 消耗和延迟成倍增加，使得在 Benchmark 上有效的“自我进化”在生产环境中未必具备成本效益。

2. 安全与回滚风险
AutoHarness（自动 Harness 工程）允许 Agent 修改 Tool、中间件甚至运行时逻辑，这等同于生成并执行新程序。若缺乏严格的沙箱隔离、权限控制和代码审查，可能引发安全风险。此外，简单的最终答案正确性评估已不足够，需纳入工具调用效率、Token 消耗等指标，并建立历史失败案例集以防止关键能力倒退。

3. 缺乏通用最优解
Harness 本质上是上下文工程的交付机制，其效果高度依赖“模型-Harness-任务”的匹配度。不同模型（如 Claude, Gemini, GLM, Qwen）适合的工具形态和提示词方式各异，导致难以存在一个独立于模型的统一最优 Harness，必须针对具体场景持续调试。

社区动态与未来方向

业界正在探索多种 AutoHarness 的演进路线以解决上述问题：

• Self-Harness： 让 Agent 从自身执行 Trace 中识别失败模式并提出最小化修改。
• Adaptive Auto-Harness： 建立 Harness Tree 以应对动态变化的真实任务，避免单一 Harness 反复更新导致的性能下降。
• Continual Harness： 如 Prime Intellect 开源的 Prime Agent，将自我改进直接嵌入 Agent 产品，保存持久状态并进行可追踪的小幅修改。

总体而言，Harness² 展示了通过外部组件优化提升 Agent 能力的巨大潜力，但其工程化落地仍需平衡性能增益、成本控制与安全边界。