不改权重也能变强：谷歌开源Harness²，让智能体自己改自己的“外壳”

导读： Google Research开源Harness²框架——不动模型权重，通过两层递归让智能体在执行中自我改写周边的提示词、工具、记忆等八个组件。单步优化在WorkBuddy-Bench上最高提升11.5分，弱者收益更大。Apache 2.0协议，已上线GitHub。

模型没变，分数涨了11.5

大模型时代有个被默认接受的设定：想让AI变强，就得动模型——训练、微调、蒸馏，总之要碰权重。谷歌研究院10月9日挂到arXiv的一篇论文，把这个设定撬开了一条缝。

论文标题是《Harness²: Recursive Agent Harnessing for an Open World》，来自Google Cloud AI Research和西北大学。核心想法很直白：一个智能体的能力，一半在模型，一半在模型周围那圈"外壳"——提示词、工具、记忆、技能、编排逻辑。这圈东西叫harness。Harness²做的事，是让智能体在执行任务的过程中，自己改写自己的harness，而且不需要任何人告诉它"改对了没有"。

效果数字先摆出来：在WorkBuddy-Bench（办公、网页、编程三类任务）上，GLM-5配合OpenCode执行器，单步优化后从64.2分跳到75.7分，涨了11.5分；在Harvey的法律基准LAB上，部分通过率提升11.8个百分点；在JobBench上最高涨4.5分。四个模型-执行器组合全部提升，无一例外。

机制：两层递归，一层改当下，一层攒经验

Harness²的递归分两层，名字起得很学术，逻辑其实不难懂。

第一层叫任务级递归。智能体先用基础harness跑一遍任务，然后一个"编辑器"（默认是Claude Opus 4.8——对，谷歌的框架用Anthropic的模型当编辑器）提出两个修改方案：一个针对通用智能体缺陷（比如规划或工具使用），一个针对当前领域的专业知识。两个候选方案在同一件任务上分别试跑，最后由"组装器"对比三份执行轨迹，只保留有行为证据支持的改动。这一步叫Propose-Probe-Compose，整个过程不需要标准答案——靠对比行为差异来判断哪个改动真的有用。

第二层叫harnessing级递归，发生在每次任务之后。系统把被采纳的harness和一份经验笔记（EXPERIENCE.md）存进一个"改进库"，下次遇到新任务时，这个库会指导编辑器提出更靠谱的修改。每个新任务仍然从基础harness出发，但编辑器已经"见过世面"了。

八个可编辑组件被挂载为文件：系统提示词、护栏、记忆、工具指南、子智能体、技能、脚本、插件中间件。预算参数k控制搜索深度，k=5的并行递归还能再多拿2.9到3.9分。

为什么现在值得看：弱模型的「逆袭通道」

最值得玩味的发现是：越弱的执行器，收益越大。GLM-5在WorkBuddy-Bench上经过一步优化后，反超了未优化的Gemini 3.5 Flash——一个二线模型靠"换外壳"赢了一线模型的默认配置。这指向一个朴素但常被忽视的结论：模型能力只是下限，harness质量决定上限能摸到哪。

对开发者来说，这意味着优化智能体多了一条不烧钱的路。微调要数据、要算力、要等训练周期；改harness只需要几次额外的执行，成本低得多，见效也快。Harness²论文里的对比表显示，它在三个基准上全面压过了ReasoningBank（只改记忆）和Harness Scaling（只改单个实例）——因为前者只动一部分，后者没有跨任务积累，而Harness²两头都占了。

安全侧，团队自己也留了警示：框架会自动改写执行环境周围的文件，沙箱隔离得自己来配。论文明确说"这不是谷歌官方支持的产品"，不享受漏洞奖励计划——翻译过来就是：代码给你了，出了事自己兜着。

往深想一层

Harness²的思路并不孤独。过去半年，"让AI自己优化自己"的递归自我改进（RSI）方向密集出成果：斯坦福的Meta-Harness离线搜索最优harness，谷歌自己的ReasoningBank做记忆复用，腾讯和清华的TreeOPSD用无评论家RL调长程智能体。Harness²的差异在于把"当前任务优化"和"跨任务经验积累"焊在了一起，而且直接开源了可跑的代码。

但几个边界得先划清。所有提升数字来自论文自测的三个基准，测试集和真实世界的"开放任务"之间还有距离；每次优化意味着多跑几遍任务，token成本和延迟都会翻倍，对实时场景不友好；用Claude Opus 4.8当编辑器这个选择本身就说明，harness优化的质量上限取决于"改的人"有多聪明——如果编辑器模型不够强，改出来的外壳未必更好。

再往产业看，Harness²指向的趋势比单个框架更重要：当模型能力趋于同质化，竞争正在从"谁的模型强"转向"谁的脚手架更会进化"。这对算力有限的团队是好消息——你不需要最大的模型，只需要最会自我调整的harness。对模型厂商来说，这则是一个微妙的信号：如果外壳优化的边际收益足够高，模型的差异化优势会被进一步压缩。

结尾

Harness²的名字起得恰如其分——harness是马鞍，是让马跑起来的那套装备。谷歌这篇论文证明的是：马鞍可以自己调整，而且调着调着，马会越跑越好。模型权重不动，分数照样涨，这个思路一旦跑通，AI优化的成本结构就要重写了。

Apache 2.0开源，代码已经在GitHub上，接下来要看的，是社区能不能把这套东西从论文里的三个基准，搬进真实世界的脏活累活里。