Tool · 2026-10-20

Google 开源 Harness²：不改模型，递归改智能体的外壳

Google Research 开源智能体框架 Harness²，采用 Apache 2.0 许可，支持 OpenCode 与 Codex，默认使用 OpenCode。它把系统提示词、护栏、记忆、工具指导、子智能体、Skills、脚本和插件拆成 8 类可改组件，通过任务级与 Harnessing 级两层递归在不改模型权重的前提下优化表现。团队称仅一步优化后 WorkBuddy-Bench 最高涨 11.5 分。

InfoQ 中文2026-10-20About 4 min readWorth tracking

Marked as a signal by the editors; worth tracking.

Agent runtimes & protocolsCoding agentsWorkflowBenchmarks & evaluation
On this page12 sections

This signal comes from a Chinese-language source and is written in Chinese.

Record

The signal

#

发生了什么

Google Research 在 GitHub 开源了一套名为 Harness² 的智能体框架，全称是「面向开放世界的递归智能体 Harness」。项目以 Apache 2.0 协议发布，支持 OpenCode 和 Codex 两种执行器，默认走 OpenCode。Google Research 明确说明它仍是研究项目，不是谷歌官方支持的产品。

这套框架的前提是：不动模型权重，只改模型外面那一层。团队把可修改的 Harness 拆成 8 类组件——系统提示词、护栏、记忆、工具指导、子智能体、Skills、脚本和插件，它们共同决定 Agent 怎样组织上下文、调用工具、委派任务。

两层递归怎么工作

第一层是任务级递归。遇到 Harness 设计阶段没见过的新任务时，系统不照搬固定策略，而是执行一轮「提出—探测—组合」：先生成多个 Harness 修改方案，让不同版本跑同一个任务，观察行为差异，再重新组合出更合适的版本。

第二层是 Harnessing 级递归。任务结束后经验不会清零，而是写进一个持续存在的 Improvement Harness，把采用过的方案和有执行证据支持的经验留下来，指导后续优化。两层合起来形成闭环：面对任务、修改执行方式、实际运行验证、保留有效经验。

值得一提的是，Harness² 不要求任务存在标准答案。很多自动优化方法依赖评测集或奖励信号，但真实企业任务往往没有唯一解，系统因此主要靠实际执行观察到的行为差异来决定取舍。

数字与开关

Google Research 在 JobBench、LAB、WorkBuddy-Bench 三类专业任务基准和 4 种「模型—Harness」配置上做了测试，基础模型包括 GLM-5 和 Gemini 3.5 Flash。权重不变、只做一步优化，三个基准的最大涨幅分别是：WorkBuddy-Bench 11.5 分、JobBench 4.5 分、LAB 的部分通过率 11.8 个百分点。加大任务级递归预算后，性能还能继续涨。

框架同时提供并行和顺序两种递归方式：并行同时探索多套 Harness，偏「搜得宽」；顺序把上一轮结果和证据带进下一轮，偏「挖得深」。

代价与已知风险

这些提升不是免费的。每增加一轮递归，都要为同一个任务运行更多候选 Agent 和模型调用，本质是用测试时计算换成功率。

安全方面也有需要留意的地方：当前 executor 默认网络访问不受限制，Codex executor 会关闭 sandbox。官方提醒，公开基准的评分细则或答案可能通过网络被拿到，正式评测需要另外限制网络访问。

还有个社区反馈值得一提：X 博主 Josephzhou 称把 Harness² 接入 Jev 1.14 后，不改权重的情况下视觉任务表现明显提升。这属于第三方个人说法，不是官方基准结果。

对读者意味着什么

  1. 如果你的团队正在手写 AGENTS.md、Skills 和工具提示词，可以先看这 8 类组件的拆分方式，判断自己哪些部分值得纳入可迭代范围。
  2. 不要只看基准涨分：递归搜索会成倍放大模型调用量，先在内部任务上估一轮「涨几个点要花多少 token」。
  3. 如果要试，先补上网络访问限制和沙箱，再看它自动改出来的提示词与脚本是否可接受。

Why now

Why it matters

#

多数团队提升智能体表现的方式仍是手改提示词和工具说明，缺少可复用的迭代机制。Harness² 给出了一个明确拆分的 8 类组件清单和两层递归闭环，并公开了在权重不变前提下的涨分幅度，可以直接作为自家 Harness 工程的结构参考。同时它把成本与沙箱风险一并暴露出来，提醒团队在引入自动修改前先算账。

Background

Technical context

#

Harness 指模型之外决定它如何组织上下文、调用工具和委派任务的那一层，包括提示词、记忆、skills 和子智能体等。递归在这里指系统把「修改 Harness」本身当成待搜索的问题：生成候选、实际执行、比较行为差异、保留有效修改。这类方法不依赖标准答案，而是靠执行证据筛选，因此需要用测试时计算换成功率。

At your level

Have AI explain this signal at your level

Pick your level of experience and AI writes an explanation for it on the spot.

Audience

Who should care

#
正在维护智能体系统提示词、Skills 与工具说明的工程团队用 OpenCode 或 Codex 作为编码智能体执行器的开发者评估 AutoHarness 类方案能否进入生产的平台负责人需要为智能体自动改代码设定沙箱与权限边界的平台负责人
Areas it may affect
智能体框架上下文工程测试时计算沙箱与权限

Next

Learning path

#
  1. 先读 Harness² 的 GitHub README，弄清 8 类组件各自负责哪一段上下文与工具调用。
  2. 在自己的一个真实任务上手工改一版提示词或 skill，记录通过率与 token 消耗，建立对比基线。
  3. 读懂它的「提出—探测—组合」流程，判断哪些任务值得多跑几个候选版本。
  4. 检查 executor 的网络与沙箱配置，必要时先限制网络再复测基准任务。

Getting started

Have AI draft a learning path

From the related knowledge and skills on this page, AI drafts a path from the basics to applying it.

Network

Where it sits in the network

#

How this signal connects to neighbouring technologies, skills and background knowledge. Follow any link to keep exploring.

Google 开源 Harness²：不改模型，递归改智能体的外壳
Signals · 1
Skills · 3
Knowledge · 3
View in the network →

Comparison

Compare with another technology

Pick another published technology and AI writes a comparison of what they share, how they differ and when to use each.

Further thought

Follow-up questions

#
  • 在自己的任务集上跑一步优化，涨分能否复现，token 成本是多少倍？
  • 关闭网络访问并开启沙箱后，论文里的涨分还剩多少？
  • Improvement Harness 里积累的经验，换一个基础模型后还能用吗？

Publication record

Featured in

#

The briefings that carried this signal, newest first; the last row is the weekly review of its week. The tag is the section it ran in.

  1. 技术简报 - 2026-10-20

    Worth tracking

  2. Weekly review · Oct 19 – Oct 25

    Worth tracking

Sources

InfoQ 中文

Google ResearchResearch lab2026-10-20
Open original sourcehttps://www.infoq.cn/article/AD1M3mJ2SH1dJrTA1r5q?utm_source=rss&utm_medium=article