不改权重，让智能体自己“进化”：Google 开源 Harness² 拆解

引言

过去两年，提升 AI 智能体能力的主流办法只有两条：换更强的模型，或者继续训练。但绝大多数团队是通过 API 调用模型的，既没有权重，也没有 GPU。Google Research 开源的 Harness²（Apache 2.0）给出第三条路：模型一动不动，只让智能体自动改写围绕它的“外壳”——提示词、工具说明、记忆、脚本等。论文于 2026 年 10 月 9 日发布在 arXiv，作者来自 Google Cloud AI Research 和西北大学；GitHub 仓库已有约 1.96 万星标。

什么是 harness，改哪里？

Harness 是模型之外让它能作为智能体工作的一切。Harness² 把它拆成八类可编辑组件：系统提示词、护栏规则、记忆、技能、工具使用指南、脚本、子智能体和插件。它们大多是纯文本或代码，每次改动都能被人审阅、diff。

核心机制：两层递归

第一层：任务级递归（Propose–Probe–Compose）。

• Propose：提出“通用编辑”和“领域编辑”；
• Probe：带着修改后的 harness 重跑同一任务；
• Compose：对比各次执行，合并真正有帮助的修改。

关键在于不需要标准答案，只靠不同运行之间的行为对比判断好坏。

第二层：harness 级递归。 任务结束后，“经验反思器”把被采纳的 harness 和有证据的教训写入持久的“改进 harness”，指导下一个任务。系统不仅在改智能体，也在学习“怎么改智能体”。

KDnuggets 的演示：初始脚本的 if amount > 0 过滤会丢掉负数账目，对账本算出 105.25；Harness² 在没被告知答案的情况下去掉过滤，得到正确的 85.15，并留下一条可迁移的经验供下个任务使用。预算 k 下每个任务需要 4k 次执行器 rollout 和 3k 次改进器会话。

效果与保留的疑问

官方称仅一步（k=1）就让 GLM-5 与 Gemini 3.5 Flash 提升：WorkBuddy-Bench 最高 +11.5 分，JobBench 最高 +4.5 分，LAB 法律任务最高 +11.8 个百分点（部分通过率）。注意这是“最高”而非平均，且都是 Google 自测，有待独立复现。

为什么重要

1. 适用于训练不了的模型：闭源 API 也能用。
2. 可审计：改动是文本和脚本，能像代码一样 review。
3. 经验可积累：沉淀“教训库”，而不是反复手调提示词。

风险同样明显：自我修改的智能体如何保证安全？教训能否跨领域迁移？成本相比微调如何？官方声明这不是受支持的产品。好消息是仓库自带无需密钥的本地 demo，几秒就能跑通。

结语

当模型能力趋同，“外壳”正成为差异所在。Harness² 把“调 harness”这件手工活变成了可复用、可审计的自动流程。