重磅！谷歌开源双层RSI框架Harness²，Gemini 3.5性能原地暴涨

新智元报道

这就是RSI！

刚刚，谷歌等开源了一项名为Harness²的重磅框架。

在专业基准测试中，即使是Gemini 3.5 Flash这样的顶尖模型，也能在单步优化后实现性能的狂飙。

模型还是那个模型，但智能体已不再是那个智能体。

在两个层面上，谷歌实现了 RSI：

任务级递归：提出各种修改方案，对每个方案都重新执行任务，保留那些能让任务表现更好的修改方案。

梳理式递归：在完成每项任务后，保存所使用的「梳理方式」以及其中的原因分析，这样在处理下一项任务时就能做出更出色的调整。

除了谷歌云 AI 研究团队成员，来自美国西北大学（Northwestern University）的Ruiyao Xu实习时参与了此项工作。

GitHub 开源地址：https://github.com/google-research/harness2

arXiv 论文链接：https://arxiv.org/abs/2610.14224

项目主页：https://harness2.github.io/

为什么我们不想改「模型权重」？

Agent黄金 1 0 年开启，但Agent在真实的业务场景中时，问题接踵而至。

真实世界是开放的。没有标准答案。网页每天在变，API随时更新，用户的指令千奇百怪。

当任务失败时，传统的解法是「微调」。

但这带来了三个致命问题：

但这成本极高：算力贵，数据标注更贵。

而且没有从根本上解决灾难性遗忘。你教会了模型用新API，它可能忘了旧的业务逻辑，「按下葫芦浮起瓢」

更致命的是，很多时候用的是Gemini、Claude等闭源API，你根本摸不到它的权重，怎么微调？

我们需要一种非侵入式的升级方案。

Harness（执行框架）让模型能以智能体的方式行动，Harnessing 就是优化这套系统的过程。

Harness² 让这个优化过程变成递归的：它先针对当前任务完善执行框架，再把可复用的框架和经验更新进「改进框架」，用来指导以后的优化。

什么是Harness？Harness²又是什么？

Harness，直译为「马具」或「控制带」。

在AI语境中，它指的是包围在语言模型外部，帮助模型与现实世界交互的所有基础设施。

谷歌在Harness²中，将这个概念具象化为八大可编辑组件。

这八个组件，就是智能体的「手、眼、记忆和工具箱」。

1 系统提示词（System Prompt）： 定义Agent的角色和基础规则。

2 护栏（Guardrails）： 设定安全边界，防止危险操作。

3 记忆（Memory）： 存储过去的经验和上下文。

4 工具指导（Tool Guidance）： 告诉Agent每个工具的具体用法和避坑指南。

5 子智能体（Sub-agents）： 负责把复杂任务拆解，分配给特定的小模型。

6 技能（Skills）： 针对特定场景固化的操作步骤。

7 脚本（Scripts）： 自动执行的代码段落。

8 插件（Plugins）： 连接外部服务的接口。

Harness²框架支持OpenCode与Codex执行器，这意味着它可以直接运行和验证复杂的代码逻辑。

重点来了：Harness²优化的不是模型的参数，而是这八大组件。它让模型自己去发现工具哪里不好用，提示词哪里写得差，然后自己修改它。

这些组件不仅影响提示词本身，还塑造了进入上下文的内容、工具的使用方式、工作的委派方式，以及工具循环内部发生的一切。改进所能改变的不只是一个提示词。

深度拆解：双层递归优化的「黑魔法」

Harness²最大的创新，在于它的「双层递归优化」架构。

它不仅解决眼前的问题，还在为未来的未知问题做准备。

第一层：任务级优化（Task-Level）——解决眼前的问题

面对一个具体的、从未见过的任务，Agent搞砸了怎么办？

Harness²设计了一套被称为PPC（Propose–Probe–Compose，提议-探测-组合）的机制。

当遇到一个从未见过的棘手任务时，Harness² 不会闷头乱撞，而是启动三步走策略：

第一步，分析当前执行轨迹，针对暴露出的痛点，提出好几个修改「八大组件」的方案。这一步关键在提案。

第二步是对比不同提案，探测最优提案！框架会让换上不同新装备的智能体去试跑，通过直接对比执行差，像老中医把脉一样，找出哪个方案真正解决了卡点。

最后，一步是合成：把探测中表现最好的修改方案融合起来，生成当前任务的「终极版战甲」。

一句话总结：它通过比对不同策略的执行结果，自己摸索出正确的通关密码。

任务级递归的两种形式：

(a) 并行递归：同时试探多个候选，各自独立组合出下一代框架。

(b) 顺序递归：每一步都把改进后的框架和积累下来的执行证据带入下一步。

第二层：元级优化（Meta-Level）——积累全局的智慧

如果只停留在任务级，Agent不过是个熟练工。换个新任务，它可能又抓瞎了。

Harness²的元级优化，让Agent进化成了「大师」。

每次任务级优化成功后，Harness²会提取其中的核心逻辑，沉淀经验。比如它发现「在处理表格数据时，先用脚本清洗空值，成功率更高」。

这些经验不是随便写的，而是附带了成功的执行轨迹作为证据。

当Agent面对全新的任务时，元级优化会翻开这本「积累了成功方案与教训的错题本」，用过去的底层逻辑，指导当前任务的Harness编辑。

这就像人类的举一反三。在任务A学到的工具修改技巧，被提炼成了通用法则，用在了完全不同的任务B上。

战绩彪悍！GLM-5 与 Gemini 3.5 Flash 原地起飞

光说不练假把式，这套不改权重的「换装大法」到底有多猛？

架构再好，还得看疗效。

Harness²在多项高度专业的基准测试中，交出了令人震撼的成绩单。

谷歌放出了极其硬核的评测数据。

在全部锁定模型权重、完全不依赖真实标签验证的情况下，研究人员拿当前备受瞩目的GLM-5和Gemini 3.5 Flash进行了测试。

仅仅经过单步（Single-step）的 Harness 优化，两大模型在多个极具挑战的专业基准测试中，成绩直接拉出了一条陡峭的阳线：

在极其考验复杂办公流协作的WorkBuddy-Bench上，最高暴涨+11.5分！

在模拟真实职业任务的JobBench上，稳步提升+4.5分！

在硬核的LAB基准测试中，准确率更是飙升了+11.8个百分点！

更恐怖的是，这只是「单步」优化的威力。

论文指出，随着你给智能体增加递归预算k（即允许它多进行几轮自我迭代），它的表现还能顺着曲线进一步攀升！

英雄所见略同：LangChain生态的强烈共鸣

Harness² 的开源，迅速在硅谷AI圈引发了强烈共鸣。

LangChain 的核心成员Sydney Runkle第一时间在 X 上转发并深度长评。

她敏锐地指出，谷歌 Harness² 的设计与当前最前沿的 Agent 工程理念——Trace（轨迹证据）与 Eval（验证改进）达成了惊人的高度一致！

她感叹道：

任务级循环通过分析轨迹（Trace）来提出改进提案；

而元级循环则在不断学习哪些改进模式在验证（Eval）中是真正有效的。

这正是让智能体在生产环境中走向可靠的必经之路！

Harness²等于在LangChain这样的框架之上，提供了一个全自动的、自洽的「Agent医生」。

开发者不再需要一行行去看日志、手动调优提示词。Agent自己看着日志，自己就把提示词和工具修好了。

人类能够统治地球，靠的不是脑容量在几千年里发生突变，而是靠着语言（Prompt）、文字记录（Memory）和工具制造（Tools）的代代相传和迭代。

Harness²，正在赋予Agent同样的能力。

参考资料：

https://github.com/google-research/harness2

https://arxiv.org/abs/2610.14224

https://harness2.github.io/

https://x.com/sydneyrunkle/status/2112043827553005651

编辑：大卫