专题 · FULL STORY

谷歌 Harness²：从论文发布到开源落地

谷歌联合 Northwestern 于 10 月中旬发布 Harness² 论文，提出无需训练模型即可递归自优化的 Agent 框架；数日后 Google Research 以 Apache-2.0 协议将其开源，从研究发布走向社区可用。

2026-10-14 ~ 2026-10-19 · 2 集 · 7 条

第 1 集 · Google 发布 Harness²：递归自进化 Agent 框架(2026-10-14,2 条)

Google（联合 Northwestern 与 Google Cloud AI Research）发布论文 Harness²: Recursive Agent Harnessing for an Open World，提出一种无需验证器的递归进化 agent harness 方法，让 agent 在开放世界中自我改进执行框架。实验显示该方法最高可带来约 11.511.8 分的性能提升，论文获得 dair-ai 等推荐。

第 2 集 · 谷歌开源 Harness²：不训模型让 Agent 递归自优化(2026-10-18,5 条)

Google Research 开源了 Harness²，一个面向开放世界的「递归式 agent harness 优化」即插即用框架，采用 Apache-2.0 协议。其核心思路是：harness 指让模型成为 agent 的外围系统，包括 system prompt、工具、记忆、技能、子智能体等；Harness² 让 agent 在执行任务过程中自动迭代改进这套外层系统，全程不训练模型、不修改权重，单轮最高提升 11.8 点（另一说法为 11.5 分）。

已确认

  • 发布方为 Google Research，开源地址为 github.com/google-research/harness2，协议 Apache-2.0
  • 优化对象是围绕大模型的整套 harness：system prompt、工具、记忆、技能、子智能体等
  • 模型权重保持固定，不涉及模型训练
  • 性能提升幅度被多个帖子转述，最高为 11.8 点（m1）与 11.5 分（m4、m5）
  • 项目 star 数快速增长：m4（10-18）称 1.8k，m3 转发称 2.7k

为什么重要

  • 主流 agent 改进路线多依赖微调或强化学习训练模型权重，Harness² 展示了一条零训练成本的替代路径：通过递归优化外围系统即可获得可观提升，对算力有限的开发者和团队尤其友好
  • 作为即插即用框架，它可以与现有 agent 结合，降低 agent 工程优化的门槛，也契合近期「context engineering / harness 工程化」的社区讨论热度

不同帖子对最高提升幅度的表述略有出入（11.8 点与 11.5 分），可能对应不同评测基准或轮次，具体数值以论文与仓库为准。