Google Research 开源 Harness²：自动迭代优化 Agent 外围系统
Harness² 是 Google Research 开源的「递归式 Agent Harness 优化」框架。Harness 指模型之外的提示词、工具、记忆、技能和编排逻辑；该框架在不改模型权重的前提下，针对当前任务自动提出修改、试跑对比、合成更好的 Harness，并把有效经验沉淀下来供后续任务复用。
- 1Propose针对当前任务提出 Harness 修改
- 2Probe试跑并对比修改前后的效果
- 3Compose合成更好的 Harness
递归迭代，不需要标准答案
沉淀有效经验供后续任务复用，不改模型权重
据 google-research/harness2 README 整理
要点
- 任务级递归采用 Propose–Probe–Compose 流程，不需要标准答案作为反馈
- README 称单步优化即可让 GLM-5 和 Gemini 3.5 Flash 超过原始 Harness，WorkBuddy-Bench 最高提升 11.5 分
- 支持 OpenCode、Codex 作为执行器；Apache 2.0 许可证，提供无需模型凭证的本地演示
为什么值得关注
随着「模型差距缩小、Harness 决定效果」成为共识，自动优化 Harness 的方法值得关注；对搭建内部 Agent 工作流的团队，可以借鉴其「提出修改—试跑—对比」的迭代思路。
来源
### [Google Research 开源 Harness²：自动迭代优化 Agent 外围系统]({{URL}})
Harness² 是 Google Research 开源的「递归式 Agent Harness 优化」框架。Harness 指模型之外的提示词、工具、记忆、技能和编排逻辑；该框架在不改模型权重的前提下，针对当前任务自动提出修改、试跑对比、合成更好的 Harness，并把有效经验沉淀下来供后续任务复用。
- 任务级递归采用 Propose–Probe–Compose 流程，不需要标准答案作为反馈
- README 称单步优化即可让 GLM-5 和 Gemini 3.5 Flash 超过原始 Harness，WorkBuddy-Bench 最高提升 11.5 分
- 支持 OpenCode、Codex 作为执行器；Apache 2.0 许可证，提供无需模型凭证的本地演示
**为什么值得关注**：随着「模型差距缩小、Harness 决定效果」成为共识，自动优化 Harness 的方法值得关注；对搭建内部 Agent 工作流的团队，可以借鉴其「提出修改—试跑—对比」的迭代思路。
来源：[google-research/harness2](https://github.com/google-research/harness2)