Google 研究团队开源 Harness²：不改模型权重，让智能体自己改提示词、工具和记忆，一步改进让 GLM-5 和 Gemini 3.5 Flash 在 WorkBuddy-Bench 上最多提高 11.5 分

这件事意味着什么

【要点】

Google Cloud AI Research 与美国西北大学的研究团队在 arXiv 发布论文《Harness^2: Recursive Agent Harnessing for an Open World》（arXiv 2610.14224，10 月 9 日上线），并在 google-research 组织下以 Apache 2.0 许可开源代码。「harness」指模型外面那一层：系统提示词、工具说明、记忆、技能、子智能体、编排脚本等。Harness² 不改模型权重，只让智能体在遇到没见过的任务时自己改这一层。

方法分两层递归。任务层：先用原 harness 跑一遍作为参照，再提出两类修改（跨领域通用的、针对当前领域的），在同一任务上各跑一遍，对比行为差异后合成新 harness，这一步不需要标准答案来判对错。经验层：每做完一个任务，把被采纳的 harness 和有证据支持的经验存进库里，供后续任务参考。

论文报告：在三个专业基准、四种模型与 harness 组合上，只做一步改进，GLM-5 和 Gemini 3.5 Flash 都比原 harness 更好，WorkBuddy-Bench 最多提高 11.5 分，JobBench 提高 4.5 分，法律基准 LAB 的部分通过率提高 11.8 个百分点；增加任务层的迭代次数还能继续提升。代码支持 OpenCode 和 Codex 两种执行器，内置三个基准的安装脚本，另有不需要 API key 的本地演示。仓库目前约 3,100 星，这两天在 X 上讨论升温，X 新闻也做了专题。

【可核验】

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

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

【我们的判断】

一、这是研究论文加开源代码，不是 Google 的产品发布。论文 10 月 9 日就已上线，最近两天才因为社区转发热起来，算补报。

二、提升幅度来自论文自报，评分环节用的是大模型当评委（仓库基准说明中 WorkBuddy 的设置要求用 Gemini 做 judge），目前没有第三方复现；有评论指出「让大模型既当选手又当裁判」的问题。

三、方向上，它和近期 DeepSeek 开源 dsh、Apple 与 EPFL 的单会话编码智能体研究属于同一条线：模型能力之外，比拼开始转向「谁的外壳更会自我调整」。代价是每次改进都要在同一任务上多跑几遍，算力和 API 费用会成倍增加。