Google开源Harness2：让AI Agent自我进化

Google Research 开源了 Harness2，一个让 AI Agent 的「脚手架」具备自我改进能力的框架。

什么是 Harness，为什么它重要

在讨论 Harness2 之前，需要先厘清一个概念：Harness。它指的是模型之外的一切——系统提示词、工具集、记忆机制、技能定义和子 Agent 编排。模型权重决定了「能做什么」，而 Harness 决定了「怎么把它用好」。

传统做法是人工设计一套 Harness，然后让 Agent 在所有任务上复用这套固定配置。问题在于，法律文书审阅和办公流程自动化对工具、记忆和提示词的需求截然不同，一套配置很难同时最优。Harness2 的核心思路就是把这个设计权交给 Agent 自己。

子 Agent 编排（Sub-agent Orchestration） 是 Harness 中最容易被忽视却对复杂任务影响最大的部分。它的含义是：主 Agent 不亲自完成所有子任务，而是把任务拆解后分派给若干专职的子 Agent，每个子 Agent 拥有独立的提示词、工具权限与上下文窗口，最后由主 Agent（或一个汇总层）整合各方结果。这种结构的价值在于隔离上下文、降低单次推理的复杂度，并让不同子任务可以使用不同的工具集——例如检索型子 Agent 只拿搜索工具，审阅型子 Agent 只拿对照与批注工具。代价是引入了调度开销与结果一致性风险，因此编排策略（何时拆、拆多细、如何合并）本身就成了需要调优的对象，这也正是 Harness 自主优化能发挥作用的地方。

自我改进的机制：提议、试跑、择优

Harness2 的工作循环并不复杂，但很巧妙。面对一个新任务，Agent 会先提出对现有 Harness 的修改方案，然后并行运行几个候选版本，通过比较实际表现选出更优的那个。整个过程不需要标准答案，也不需要额外的评分模型（grader）。

模型权重全程不变。这意味着改进完全发生在「配置层」，学习到的东西以 Harness 的形式沉淀下来。任务完成后，改进后的 Harness 和相关经验会被保存，下一次编辑从更高的起点开始，而不是每次从零摸索。用原文的话说，就是「future edits start smarter instead of from scratch」。

这种设计与微调形成互补：微调改变模型本身，Harness2 改变模型的使用方式，后者更轻量，也更容易在不同模型之间迁移。

无需评分模型（grader-free）的相对评估，是这个方法在工程上最关键的一点。常规的 Agent 自动优化往往依赖一个外部打分器——可能是更强的模型，也可能是人工标注的偏好数据——来判断候选配置好不好。Harness2 绕开了这一环，改用候选版本之间的横向比较：同一批任务上并行跑几个 Harness 变体，谁的实测表现更好就保留谁。这类做法属于相对评估（relative evaluation），它只需要一个可比较的任务级信号（例如任务是否完成、工具调用是否失败、输出是否通过校验），而不需要给每个输出打绝对分数。好处是省去了构建评分体系的成本，也不必担心评分模型本身的偏差被一起优化进去；局限则在于比较的可靠性高度依赖于任务信号的质量与候选之间的差异是否足够显著。

基准测试结果：一轮编辑就有提升

Google 在 Gemini 3.5 Flash 和 GLM-5 上做了验证，覆盖法律、办公和专业工作三类基准。结果是：即使只做一轮 Harness 编辑，表现就已经超过原始配置；增加编辑轮数，分数继续上升。

你可能没注意到跨模型验证这一点——同时用 Gemini 和 GLM 两个不同家族的模型测试，说明方法本身不依赖特定模型的特性。不过目前公开的信息只提到「分数更高」，没有给出具体的提升幅度和基准细节，这部分还需要等论文或技术报告补充。

跨模型验证指的是在同一套方法上使用来自不同厂商、不同训练体系的模型重复实验，以排除方法只在某一模型家族上有效的可能。Gemini 3.5 Flash 属于 Google 自家模型，GLM-5 则出自另一技术路线，两者在指令遵循风格、工具调用格式偏好、上下文长度处理上都有差异。如果在两个模型上都能观察到「单轮编辑即超越原始配置、多轮继续提升」的相同趋势，就说明收益来自 Harness 层的搜索机制本身，而非某个模型的特定行为被恰好利用。对于想把这类方法迁移到自己生产环境的团队来说，这比单一模型上的绝对分数更有参考价值——它暗示该方法对底层模型的更换具备一定的鲁棒性。

对 Agent 开发的启示

Harness2 指向一个正在成形的趋势：Agent 的竞争力越来越取决于外围工程，而不只是底层模型。当模型能力逐渐趋同时，谁能把工具、记忆和提示词组织得更好，谁就能在实际任务中胜出。

让 Agent 自己优化这套组织方式，实际上是把「提示词工程」和「Agent 架构设计」变成了可自动搜索的空间。对于构建生产级 Agent 的团队来说，这意味着少写一些手调配置，多做一些任务定义和评估机制的设计——你仍然需要判断哪个候选版本「更好」，只是判断标准从人工规则变成了任务表现。

代码已发布在 GitHub（google-research/harness2），感兴趣的话可以直接跑起来看效果。

常见问题

Harness2 需要重新训练模型吗？ 不需要。模型权重保持不变，所有改进都发生在 Harness 层。

它需要人工标注或评分模型吗？ 不需要。候选版本之间通过实际表现对比来择优，不依赖正确答案或外部 grader。

学到的经验能跨任务复用吗？ 可以。任务结束后改进后的 Harness 会被保存，后续任务在此基础上继续优化。