谷歌的Harness²：面向开放世界的递归智能体适配框架- 大数跨境

苏哲管理咨询

2026-10-24

导读：Harness² 是 Google Research 推出的面向开放世界的递归智能体适配框架，核心思路是固定大模型权重，只优化模型外围的 harness 适配层，适配层包含系统提示词、记忆、工具、子智

编者摘要：Harness² 是 Google Research 推出的面向开放世界的递归智能体适配框架，核心思路是固定大模型权重，只优化模型外围的 harness 适配层，适配层包含系统提示词、记忆、工具、子智能体等 8 个可编辑组件。框架设计双层递归：任务层递归采用 Propose–Probe–Compose 范式，在无标准答案反馈下，通过对比探测迭代优化当前任务的适配方案；适配层递归沉淀优秀适配策略与经验，持续指导后续任务优化。支持并行递归（广探索）、串行递归（深迭代）两种模式，兼容 OpenCode、Codex 执行器，配套 JobBench、LAB、WorkBuddy-Bench 三大专业基准。实验显示，单次优化即可显著提升 GLM-5、Gemini 3.5 Flash 效果，最高提升 11.8 个百分点；增加递归预算收益可进一步放大。项目开源，提供本地 Demo 与评测流水线，支持断点续跑，适合研究智能体外壳自动调优，属于智能体工程方向前沿方案。

10 个关键问题 Q&A

Q：Harness² 的 harness 指什么？ A：包裹大模型、支撑智能体运行的整套外围系统，包含提示词、工具、记忆、编排等，不包含模型权重。
Q：Harness² 最大特点是什么？ A：固定模型参数，用双层递归自动优化智能体适配层，适配开放世界里从未见过的新任务。
Q：什么是 Propose–Probe–Compose？ A：任务层递归核心流程：提出适配修改方案、在任务上探测效果、基于行为对比整合出更优适配策略，不需要标准答案。
Q：任务层递归和适配层递归区别？ A：任务层针对单任务即时优化；适配层长期沉淀经验和适配方案，用于后续任务优化。
Q：并行递归和串行递归怎么选？ A：并行适合广泛探索多个候选方案；串行适合在一条路线上持续深度迭代优化。
Q：Harness² 有哪 8 个可配置组件？ A：系统提示词、安全约束、记忆、工具指引、子智能体、技能、脚本、插件。
Q：配套三个基准分别对应什么场景？ A：JobBench 专业职场任务、LAB 法律任务、WorkBuddy-Bench 覆盖办公、网页、代码任务。
Q：实验上取得了什么样的提升？ A：GLM-5、Gemini 3.5 Flash 在各基准上涨分，最高在 LAB 提升 11.8 个百分点。
Q：本地 Demo 是否需要模型密钥？ A：不需要，Demo 使用确定性编辑器与真实 Python 执行，可直接跑通两种递归模式。
Q：Harness² 可以断点续跑吗？ A：可以，重复执行相同命令即可续跑；更换模型 / 任务集时需要更换运行目录。

附录 Harness²：面向开放世界的递归智能体适配框架

仓库导航页 https://github.com/google-research/harness2# https://github.com/google-research/harness2#https://github.com/google-research/harness2# https://github.com/google-research/harness2/blob/main/assets/Harness2-wordmark.png

面向开放世界的递归智能体适配

论文：https://arxiv.org/pdf/2610.14224 ｜项目主页：https://harness2.github.io/ 基准文档：https://github.com/google-research/harness2/blob/main/docs/BENCHMARKS.md ｜许可协议：https://github.com/google-research/harness2/blob/main/LICENSE JobBench 介绍：https://github.com/google-research/harness2/blob/main/docs/BENCHMARKS.md#jobbench

适配层（harness）是包裹在大模型外围、使其能够作为智能体执行任务的整套系统：包含提示词、工具、记忆、技能、调度编排等组件。 适配优化（harnessing）就是对这套外围系统做调优迭代的过程。

Harness²是一套开箱即用的框架，用于在开放世界中做递归式智能体适配优化—— 智能体在运行时会遇到适配方案设计阶段从未见过的全新任务。该框架在固定模型权重不变的前提下，搭建两层递归循环：

任务层递归
通过一套「提出方案–探测验证–整合优化」（Propose–Probe–Compose）的对比流程，为当前任务迭代优化执行适配层：生成适配修改方案，在同一个任务上探测改动带来的效果差异，再基于多次执行的行为对比，整合出更优的适配方案，全程不需要标准答案作为反馈。
适配层递归
把每个任务上最终落地的适配方案、以及有执行证据支撑的经验沉淀到一个持久化的优化适配器中，用来指导后续任务的适配迭代。

配图：https://github.com/google-research/harness2/blob/main/assets/harness2_pipeline.png

研究在三套专业基准测试、四种【模型 - 适配层】组合下开展实验：仅单次 Harness² 迭代，就能让 GLM-5、Gemini 3.5 Flash 的效果超越原始基线适配方案：

WorkBuddy-Bench 最高提升 11.5 分
JobBench 最高提升 4.5 分
LAB 基准的部分通过率提升 11.8 个百分点

增加任务层递归的计算预算，指标还能继续上涨。

当前开源版本支持：并行递归、串行递归两种模式，OpenCode / Codex 两种代码执行器，以及 JobBench、LAB、WorkBuddy-Bench 三大基准。

视频介绍：https://github.com/google-research/harness2#video-overview 视频文件：harness2-video.mp4

适配层组件

https://github.com/google-research/harness2#harness-components Harness² 在模型外围暴露了 8 个可编辑配置组件：系统提示词、安全约束、记忆模块、工具指引、子智能体、技能集、脚本、插件。这些组件共同控制上下文构建、工具交互接口、任务委派，以及工具调用循环内的智能体行为。配图：https://github.com/google-research/harness2/blob/main/assets/components.png

安装部署

https://github.com/google-research/harness2#install 环境要求：Linux、Python 3.12、uv（https://docs.astral.sh/uv/getting-started/installation/）在仓库根目录执行：

uv venv --python 3.12 .venv
source .venv/bin/activate
uv pip install -e '.[render]'
harness2-demo --output runs/demo --k 2

本地演示会同时运行两种递归模式，使用确定性编辑器 + 真实 Python 执行环境，不需要模型密钥。

如果要跑基于大模型的基准评测，额外需要：Node.js 20+、谷歌云 CLI；LAB 基准依赖 Pandoc、Poppler；WorkBuddy-Bench 需要 Docker。随后配置模型凭证：

cp .env.example .env
# 在 .env 文件中填写 Vertex AI 项目信息与模型ID
gcloud auth application-default login

模型参数、其他鉴权方式、Codex 执行器配置详见：https://github.com/google-research/harness2/blob/main/docs/SETUP.md

运行基准测试

https://github.com/google-research/harness2#run-a-benchmark 下面示例为 LAB 基准，安装环境、运行单个任务、自动打分并输出报告。调用模型会产生 API 费用，建议先用少量任务测试：

harness2-setup lab
harness2-check --bench lab
harness2 --bench lab --k 1 --mode parallel \
  --only-domains antitrust-competition --max-tasks 1
harness2-judge --bench lab --k 1 --mode parallel
harness2-report --bench lab --k 1 --mode parallel

串行递归只需要把 --mode parallel改为 --mode sequential。 --k代表任务层递归预算；打分、生成报告命令，必须和优化运行阶段保持一致：基准、执行器、任务子集、--k、递归模式、随机种子完全相同。在 harness2命令加上 --dry-run，可以预览选中任务，不会调用模型。

基准名称	场景	安装命令	文档链接
JobBench	职场专业任务	harness2-setup jb	BENCHMARKS.md#jobbench
LAB	法律文书任务	harness2-setup lab	BENCHMARKS.md#lab
WorkBuddy-Bench	办公、网页、代码任务	harness2-setup wb	BENCHMARKS.md#workbuddy-bench

单条命令一次只能选定一个基准。WorkBuddy 支持额外子集参数：--subset office/ --subset web/ --subset code，setup 之后的所有命令都可以带上。各基准的数据集、任务领域、评分规则详见 BENCHMARKS.md。

实验配置说明

https://github.com/google-research/harness2#experiments 任务层递归有两种扩容方式：

并行递归
：同时探索多组候选适配方案，基于执行证据整合得到优化版本；探索广度更大
串行递归
：把上一轮优化后的适配方案、积累的经验带入下一轮「提出–探测–整合」，持续迭代；优化深度更深

配图：https://github.com/google-research/harness2/blob/main/assets/harness2_recursion_modes.png

参数	作用
--k 1	执行一轮「提出–探测–整合」
--k K --mode parallel	探测 K 组通用候选 + K 组领域专属候选，输出 K 组整合结果
--k K --mode sequential	串行完成 K 轮递进式适配优化
--substrate cx	使用 Codex 执行器，替代默认 OpenCode

每个任务跑完之后，适配层递归会保留最终采用的适配方案、以及有证据支撑的经验，用于指导后续任务优化。任务筛选、并发、可复现性、基线对比见 EXPERIMENTS.md。

网络访问说明

https://github.com/google-research/harness2#web-access 执行器默认不限制网络访问，Codex 模式下沙箱防护是关闭状态。部分公开评测评分标准可在线访问。正式评测前，请按 EXPERIMENTS.md#web-access 配置访问限制，防止智能体直接搜到标准答案与评分细则。

结果持久化与断点续跑

https://github.com/google-research/harness2#results-and-resume 所有运行结果保存在 runs/目录，按基准、任务子集分类存放，包含任务摘要、交付产物、最终适配方案、反思记录、评测得分。

重复执行完全相同的命令即可断点续跑。如果更换模型或者更换任务集，请设置全新的 HARNESS2_RUNS_DIR。详情见 EXPERIMENTS.md#results-and-resume；所有子命令都支持 --help查看帮助。

引用文献

@article{xu2026harness2,
  title   = {Harness$^2$: Recursive Agent Harnessing for an Open World},
  author  = {Xu, Ruiyao and Chen, Yanfei and CuiZhu, Zhongying and Dalvi Mishra, Bhavana and Ming, Yifei and Yu, Han and Han, Rujun and Lee, Chen-Yu and Pfister, Tomas},
  journal = {arXiv preprint arXiv:2610.14224},
  year    = {2026},
  url     = {https://arxiv.org/abs/2610.14224}
}