谷歌开源Harness²：无需重新训练即可自我改进的AI智能体
内容提要
谷歌研究开源了Harness²框架，使AI智能体无需重新训练模型即可自我改进：它不修改模型权重，而是自动重写提示词、工具、记忆、技能和脚本等外围组件，并将经验带入后续任务。框架采用任务级与改进级两层递归，通过对比多次运行结果进行优化，无需标准答案。基准测试中单步改进最高提升约11.5分。
延伸解读
不训练模型，改“外围”也能提升智能体
Harness² 的核心思路是把改进对象从模型权重转移到模型周围的“harness”，包括提示词、工具、记忆、技能、脚本等八个组件。这意味着即使只能通过 API 调用模型、无法访问权重，团队也能让智能体在任务中自我优化。所有改动都以文本和代码形式保存，可审查、可对比，降低了改进过程的不透明性。
两层递归：任务内优化与跨任务经验传递
框架包含两个循环：任务级递归通过“提议—探测—组合”在单任务内比较不同 harness 变体的运行差异，无需标准答案；改进级递归则将采纳的 harness 和“有证据支持的教训”存入持久化库，指导后续任务。演示中，第一个任务学到的“求和时包含正负号”教训被写入 EXPERIENCE.md，第二个任务启动时库中已有该条目，体现了经验传递。
基准提升是“最高值”，且依赖自有评测
文章报告的提升幅度——WorkBuddy-Bench 最高 +11.5 分、LAB 最高 +11.8 个百分点、JobBench 最高 +4.5 分——均为单步（k=1）下的最佳案例，并非平均值，且 LAB 的指标是部分通过率。这些结果来自谷歌自己的测试，独立复现尚未出现。读者应将其视为初步信号，而非普适结论。
免费演示可上手，真实运行需云资源与成本意识
官方演示使用确定性编辑器和真实 Python 执行，无需模型凭证，约两秒即可跑完，适合先理解递归流程和文件结构。但真实基准运行需要 Vertex AI、手工创建 .env 文件，并按 k 值消耗 4k 次执行器 rollout 和 3k 次改进器会话，产生费用。文章建议锁定网络访问、监控成本，并将其视为研究代码。
Q&A
Harness² 是什么？它和传统的模型微调有什么区别？
Harness² 是谷歌研究开源的一个框架，让 AI 智能体无需重新训练模型即可自我改进。它不修改模型权重，而是自动重写模型外围的组件（提示词、工具、记忆、技能、脚本等），并将经验带入后续任务。传统微调需要训练数据、GPU 和模型权重访问权限，而 Harness² 只改变模型周围的环境，所有改进都以纯文本和代码文件形式保存，可读可审查。
Harness² 是如何工作的？两层递归分别指什么？
Harness² 采用两层递归：第一层是任务级递归（Propose—Probe—Compose），针对当前任务改进 harness：编辑器提出通用和领域特定的修改，智能体用每个修改后的 harness 重新运行同一任务，组合器比较运行结果并合并有效的修改。第二层是 harness 改进级递归，在任务之间存储采用的 harness 和“有证据支持的教训”到持久化的改进 harness 中，指导下一个任务的优化。第一层让智能体更擅长当前任务，第二层让框架更擅长改进未来任务的智能体。
Harness² 在基准测试中的表现如何？提升了多少？
谷歌在三个基准上测试了 GLM-5 和 Gemini 3.5 Flash，单步改进（k=1）相比基础 harness 均有提升：WorkBuddy-Bench（办公、网页和代码任务）最高提升 11.5 分；LAB（法律工作）部分通过率最高提升 11.8 个百分点；JobBench（专业工作任务）最高提升 4.5 分。这些是“最高”数据而非平均值，且为谷歌自己的结果，独立复现仍有待验证。
Harness² 的并行模式和顺序模式有什么区别？计算成本如何？
并行模式提出 k 个通用候选和 k 个领域候选，然后在完整候选池上运行 k 次独立组合，探索更广；顺序模式连续运行 k 个 Propose—Probe—Compose 步骤，携带精炼后的 harness 前进，精炼更深。预算 k 驱动成本：每个任务需要 4k 次执行器运行和 3k 次改进器会话，例如 --k 3 意味着每个任务 12 次运行和 9 次改进器会话。
如何运行 Harness² 的免费演示？需要 API 密钥吗？
不需要 API 密钥。演示使用确定性编辑器和真实 Python 执行，无需模型凭证。步骤：安装 uv、克隆仓库（git clone https://github.com/google-research/harness2.git）、创建并激活虚拟环境（uv venv --python 3.12 .venv && source .venv/bin/activate）、安装（uv pip install -e '.[render]'）、运行 harness2-demo --output runs/demo --k 2。演示约两秒完成，会展示 Harness² 自动修复一个脚本中的 bug（过滤掉了负数条目）并记录经验教训。
Harness² 有哪些实际优势？适合什么场景？
三个实际优势：1）改进可读可审查——改进后的 harness 是文本和代码，可以审查并与原始版本对比差异，Harness² 还会记录采用每个修改的原因；2）适用于无法训练的模型——执行器和改进器只是配置文件中的模型 ID，可通过 API 使用；3）不需要标准答案——通过对比多次运行结果进行优化，适用于尚未标注的任务。适合开放世界中遇到未预期任务的场景，以及通过 API 使用模型、无法微调的团队。
运行 Harness² 的真实基准测试需要哪些准备？
需要：Node.js 20+（用于 OpenCode 执行器）、Google Cloud CLI、启用了 Vertex AI 的 Google Cloud 项目、Pandoc 和 Poppler（用于 LAB 文档），Docker 仅 WorkBuddy-Bench 需要。还需手动创建 .env 文件（README 提到的 .env.example 不存在），设置 GOOGLE_CLOUD_PROJECT、GOOGLE_CLOUD_LOCATION、HARNESS2_SOLVER_MODEL、HARNESS2_IMPROVER_MODEL、HARNESS2_JUDGE_MODEL 等变量，并通过 gcloud auth application-default login 认证。然后安装 LAB 基准（harness2-setup lab）并检查安装（harness2-check --bench lab）。
