你让一位同事整理几份表格。他交出文件，却没核对数字，也没重新打开检查。下次遇到类似任务，他仍按原来的流程做，错误很可能重演。今天多数 AI Agent 也有这个问题：它会执行任务，却不会主动修改自己的工作方法。Harness2 想改变的正是这一点——让 Agent 在模型本身不变的情况下，持续调整包在模型外面的整套流程。
这项工作值得关注，不是因为 AI 突然学会了新知识，而是因为优化对象变了：过去主要由人反复调试 Agent，现在框架试着让 Agent 自己提出改法、试跑并保留经验。不过，关于发布、机制和实验效果的主要供稿来自一篇 Reddit 帖子；具体分数与完整对照设置并未披露，结论需要克制看待。
改的不是大脑，而是工作台
AI Agent 是一种能围绕目标分步骤推理、调用工具，并根据结果继续行动的 AI 系统。模型只是其中一部分。它外面还有一套 Agent harness——可以理解成 Agent 的工作台，包括系统提示词、工具、记忆、技能和任务调度。
系统提示词规定它扮演什么角色、遵守什么流程；工具决定它能搜索、计算或操作哪些东西；记忆保存过去的信息；技能封装较固定的做事方法；子 Agent 则是由主流程派出去处理局部任务的独立执行单元。
通常，这张工作台由开发者搭好，之后便以相对固定的方式服务不同任务。据 Reddit 帖子的介绍，Google 以开源形式发布的 Harness2，允许 Agent 自主修改这些外围组件，而不改动模型权重。换句话说，它不重新训练“大脑”，而是重新整理操作手册、工具箱和分工方式。
先提出几套改法，再实际试一遍
Harness2 的核心不是让 Agent 凭感觉重写提示词。据该帖描述，它会提出多个修改方案，运行若干候选版本，再比较它们的表现，从中选择更好的 harness。完成任务后，系统还会保存改进后的配置与有用经验，让后续任务不必每次从头摸索。
这很像一名员工复盘工作：不是只记一句“下次细心”，而是把教训写进交付流程。Harness²论文给出的一个职业任务案例尤其直观：基础 Agent 得到 43.1 分。运行记录显示，它没有核对分散在多个源文件中的数据，生成结果后也没有重新打开检查。框架随后给流程补上三条规矩：先清点输入，逐项追溯数字来源，写完后用脚本重新打开验证。
这里的“自我改造”并不神秘。它落到实际操作上，往往就是把一次失败变成下一次会执行的检查清单。
为什么这是一个关键转向
Agent 的效果不只取决于模型有多强。同一个模型，拿到的信息不同、可用工具不同、检查步骤不同，结果也可能相差很大。Harness2把这些过去依赖人工调试的部分纳入持续优化闭环：提出改动、试运行、比较、保存，再把经验带到下一项任务。
据 Reddit 帖子转述，Google 使用 Gemini 3.5 Flash 和 GLM-5，在法律、办公及专业工作基准上进行了测试；一轮编辑后的结果超过原始 harness，增加编辑轮次后分数继续提高。但材料没有给出基准名称、具体分数、对照设置、重复次数或统计显著性，因此不能据此断言它对所有 Agent 和任务都普遍有效。
帖子还称，Harness2不需要正确答案或 graders——也就是外部评分器——便能比较和优化候选方案。更谨慎的理解是：优化阶段或许不依赖显式标准答案或独立评分器，并不等于整个比较过程完全不需要反馈信号。供稿没有说明候选版本究竟依据什么被判为更好。
局限与未知
- 现有材料未披露完整实验数据，无法判断提升幅度、稳定性及额外计算成本。
- 社区在项目开放当天便提出增加
--max-usd费用上限，因为多轮递归会运行更多候选方案；也有人希望由人类决定是否介入经验筛选。这说明“持续优化”同时带来预算与控制问题。 - 据项目文档，执行器默认可以联网，Codex甚至以关闭沙箱的方式运行；公开基准测试前需要主动断网，避免 Agent 找到题目答案或评分标准。一个会改进自身流程的 Agent，也更需要清楚的权限边界和考场纪律。
Harness2最值得看的地方，因此不是“Agent已经能自行进化”这种响亮说法，而是它把 Agent 工程向前推了一步：模型之外的提示词、工具、记忆和协作流程，不再只是人类一次性写好的固定配置，也可以成为系统反复试验和积累经验的对象。