谷歌开源Harness²：双层递归架构实现Agent运行时自我改进

事件概述

谷歌团队正式开源了Harness²项目。这是一个专注于Harness层的递归自我改进（Recursive Self-Improvement, RSI）框架。与传统仅关注模型参数微调不同，Harness²允许大模型在执行任务过程中，动态地修改自身的外挂代码、系统提示词、工具链和技能库，从而实现“运行时认知工程”。目前该项目已支持OpenCode与Codex等主流执行脚手架。

核心机制：双层递归架构

针对以往RSI技术因缺乏标准答案导致“瞎编”或因过度拟合单次任务导致“越改越傻”的痛点，Harness²提出了双层嵌套的递归循环：

1. 任务级递归（Task-level Recursion）：无监督下的对照实验

   • Propose（提议）：针对当前任务执行轨迹暴露的缺陷，生成两套修改方案。一套为“通用缺陷修补”（Invariant），处理规划混乱、死循环等共性问题；另一套为“领域专属修补”（Domain），针对特定业务约束。
   • Probe（探测）：将候选方案放回同一任务中并行运行，通过对比行为轨迹（Behavioral Contrast），验证改动是否解决了卡点或引发新的逻辑退化。
   • Compose（合成）：基于执行证据，筛选有效改动并合并至最终脚手架。支持并行扩展（Parallel Recursion），可同时评估$k$个候选方案以拓宽探索空间。

2. 改进级递归（Harnessing-level Recursion）：元能力沉淀

   • Experience Reflector（反思模块）：任务结束后，复盘整个调试记录（参考轨迹、候选修改、对比证据等），生成EXPERIENCE.md文档。
   • Harness Improvement Library（持续改进经验库）：将历史经验存入库中。当新任务到来时，改进大脑可检索过往相似场景的有效组件和避坑指南，从而提升未来改进脚手架的能力，实现从“单次修补”到“终身学习”的转变。

实测数据与效果

团队在三个硬核职业基准上进行了测试，底座模型选用Gemini 3.5 Flash和GLM-5，执行环境为OpenCode和Codex。

• WorkBuddy-Bench（办公工作流）：

  • GLM-5在OpenCode下综合得分从64.2飙升至75.7（+11.5分），在Codex下从64.4升至75.3。
  • 关键对比：经过Harness²优化的GLM-5（75.7/75.3分）直接超越了未优化的原生Gemini 3.5 Flash（72.4/74.5分）。
  • Gemini 3.5 Flash同样获得提升，OpenCode下从72.4升至77.5，Codex下从74.5升至77.5。

• JobBench（端到端复杂岗位） & LAB（法律智能体）：

  • 单步改进使Gemini 3.5 Flash在JobBench涨4.5分，GLM-5涨3.6分。
  • GLM-5在法律基准LAB的部分通过率拔高11.8个百分点。
  • 并行预算提升至$k=5$时，性能进一步上扬：WorkBuddy-Bench再涨3.9分，JobBench再涨4.2分，LAB通过率再涨6.7个百分点。

• 跨领域迁移能力：

  • 将JobBench积累的经验库直接应用于WorkBuddy-Bench，在未进行额外探测的情况下，实现了代码+0.6、网页+0.5、办公+2.9的无痛涨分，证明了经验库的泛化价值。

行业意义

随着基座模型Scaling边际效益放缓，Harness²证明了一条新路径：不依赖预训练参数的无限堆叠，而是通过赋予Agent自我感知、自我修补和持续进化的能力，解决长尾落地场景中的复杂Bug。这标志着AI应用开发重心正从“静态模型训练”向“动态运行时优化”转移。