Google Research 开源了 Harness²：一个让 Agent 面对新任务时，自己改进运行框架、再把改进经验留给后续任务的项目。
论文在办公、专业工作和法律任务上做了测试。GLM-5 配合 OpenCode，在 WorkBuddy-Bench 上只进行一轮改进，平均分就从 64.2 提到 75.7。
先修好一次交付
论文里的一个 JobBench 任务，是替制作团队整理排期、人员和预算，产出彼此对应的交付文件。
Gemini 3.5 Flash 跑在原版 OpenCode 里，第一次只拿到 43.1 分。研究者翻看执行记录，发现了两个问题：几份源文件里的数字没有交叉核对；输出文件写完以后，也没有重新打开检查。
Harness² 先补工作流程：分析前先盘点全部输入，每个数字追到对应来源；交付前运行检查脚本，重新打开产物。再补这类任务的具体做法：排期、场地、用工和预算怎样对齐，文件冲突时以谁为准，哪些支出已经确定、哪些还附带条件。
工具说明也加上了具体处理办法：表格里的 "$50" 和 "1,200"，先去掉符号和逗号，再参与运算。
检查脚本还会重新打开表格，确认写入的公式已经算出结果。
几项修改组合起来后，Agent 重跑了同一个任务。这次数字对上了，备忘录缺失的部分也补齐了，得分来到 77.8。
论文图9：同一制作统筹任务的失败、框架修改和重跑结果
让执行记录决定怎么改
新任务没有标准答案，Harness² 怎样选择改法？
Harness² 先保留原版框架跑出的轨迹和文件，把它们作为对照。接着，两位编辑 Agent 分头起草候选框架：一个查跨任务都会出现的问题，比如规划、工具调用、上下文和分工；另一个查当前领域的知识与流程。
编辑 Agent 可以直接修改八类组件，包括系统提示词、记忆、Skill、执行脚本、子 Agent，以及工具调用外层的插件。
各个候选框架随后在相同模型和环境配置下重跑同一个任务，检查新增核对有没有执行、脚本能否打开产物，以及修改是否引入了新问题。
Composer 再读取这些执行记录和文件差异，选择有依据的改动进行组合。有冲突就调整，只保留一个候选也可以，证据不够时也可以维持原样。组合后的框架还要实际跑一遍，得到最终交付物。
论文图3：当前任务的修改、试跑与组合，以及跨任务的经验更新
这轮选择依据任务要求、源材料和执行差异，不使用评测标准答案；模型的共同偏差和运行随机性仍可能影响判断。
把经验留给下一道题
一次任务结束后，Reflector 会回看整轮过程：哪里暴露了问题，试了哪些修改，哪些得到执行证据支持，又出现了什么副作用。
值得留下的，会连同可执行框架一起进入改进库。每条记录有一份 EXPERIENCE.md，写清适用情境、经验和支撑它的观察；证据不足，就不新增经验条目。
下一道任务仍从共同的基础框架出发。 编辑 Agent 按需查库，复用或调整其中的组件，不把上一题的整套特殊流程直接搬过来。
这也是 Harness² 名字里“平方”的意思：一层改眼前执行任务的 harness，另一层积累“怎样改 harness”的经验，帮助后面的修改。
论文专门拿掉经验库做了对照。Gemini 3.5 Flash 配合 OpenCode、只改进一轮时，WorkBuddy-Bench 从 77.5 降到 74.4，JobBench 从 36.0 降到 34.2。把两位有明确分工的编辑换成通用编辑，或者取消组合环节，也都会掉分。
论文表3：移除经验库、编辑分工或组合环节后的结果
团队还把 JobBench 上积累的库带到 WorkBuddy-Bench，代码、网页和办公三类任务分别多了 0.6、0.5 和 2.9 分。
同一个模型的提升空间
主实验用了 Gemini 3.5 Flash 和 GLM-5，分别搭配 OpenCode、Codex，两两组成四种配置。除了 WorkBuddy-Bench，还测了长流程专业任务 JobBench，以及法律工作基准 LAB；主表是三次打乱任务顺序运行后的均值。
一轮改进后，四种配置在三个基准上都超过各自基础框架。最大的提升分别达到 11.5 分、4.5 分，以及 LAB 按评分细则计算的通过率增加 11.8 个百分点。这些最大值来自不同配置。
增加计算预算后，可以并行探索更多候选再组合，也可以沿前一版框架继续修改。
在 Gemini 3.5 Flash＋OpenCode 这组配置里，把并行探索预算从 k=1 提到 k=5，WorkBuddy-Bench 的平均分从 77.5 升到 80.8，相对基础框架总共高了 8.4 分。JobBench 则从 36.0 升到 39.0，相对基础框架高 7.5 分。
论文图1：Gemini 3.5 Flash＋OpenCode 的分项结果与预算扩展，左侧使用k=5
Google DeepMind 开发者 Philipp Schmid 的发布介绍，重点提到的也是这组结果，以及 Skill、脚本和跨任务经验的作用。
论文将试跑、编辑和最终执行的 token 一并计入成本。即使最后一次执行更省，额外改进仍可能增加整轮开销。
主实验默认由 Claude Opus 4.8 担任框架编辑。团队又做了一组“自己改自己”的实验：同一个模型同时负责执行和编辑，在 OpenCode、k=2 的设置下，从 GLM-5、Gemini 3.5 Flash 到 Opus 5，五款模型在三个基准上都获得了提升。
论文图8：同一模型兼任执行与编辑时的结果，OpenCode与k=2设置
开源仓库支持 OpenCode 和 Codex 执行器，提供三组基准的运行入口，也附有不需要模型凭据的小型演示。
参考链接
-
论文：Harness²: Recursive Agent Harnessing for an Open World：https://arxiv.org/abs/2610.14224v1 -
代码与演示：https://github.com/google-research/harness2