10月19日，Google Research开源Harness²，一个Apache 2.0协议的递归智能体外壳框架，代码已上线GitHub。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，也就是提示词、工具、记忆、技能、编排逻辑、上下文、状态、控制、恢复、验证与可观测性这一圈harness。Harness²做的事是让智能体在执行任务过程中自己改写自己的harness，不需要任何人告诉它改对了没有，模型权重始终保持不动。36氪报道，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，提升11.5分；在Harvey法律基准LAB上部分通过率提升11.8个百分点，JobBench最高涨4.5分，四个模型与执行器组合全部提升，无一例外。

模型权重不动，分数从哪里涨上来？

过去提升智能体能力主要靠换更大模型或微调权重，成本高、周期长。Harness²把优化对象从参数转移到外壳，通过两层递归让系统在真实任务里修改提示词写法、工具调用顺序、记忆检索范围与验证规则，相当于给同一匹马不断调整马鞍。弱者收益更大，意味着小模型与便宜模型也能靠外壳改造追近，这直接改写了AI优化的成本结构。

八个组件里哪一处改写最影响结果？

外壳中影响最大的通常是记忆与验证环节。记忆决定智能体能召回哪些历史经验，验证决定它何时停下来判定任务完成，工具与编排则决定调用顺序是否冗余。Harness²让这些组件在执行中自我迭代，本质是把软件工程里的复盘机制塞进智能体循环，每完成一步就回查哪类提示导致了偏差并记录新的写法。

为什么开源对社区比对实验室更重要？

论文里的三个基准证明了思路可行，但真实办公、法律与编程场景的脏活累活还没被搬进来。Apache 2.0允许商用改造，开发者可以把自己的工具链接入Harness²循环，用公司内部任务做迭代素材，而不必等官方模型版本升级。对预算有限的团队，这提供了一条不换底座也能提分的路径。团队可以把自己的工单库、文档与历史任务喂给外壳循环，让提示词与验证规则在内部语料上持续微调，而不必为每一类任务单独购买更大的商用模型，这也是开源版本相对闭源黑盒的最大吸引力。

自我改写外壳会不会失控？

风险在于，无人监督的提示词与记忆改写可能累积偏差，越改越偏。框架目前更像研究原型，安全边界、回滚机制与人工审批节点需要生产环境自行补上。评估时也要警惕基准分数与真实任务表现脱节，11.5分的提升能否迁移到长程多任务，仍需社区实测。

信息来源与延伸阅读？

去论坛讨论

前往 silicon-agi.com 论坛 参与讨论