谷歌开源Harness²双层RSI框架，Gemini 3.5单步优化即涨性能
重磅！谷歌开源双层RSI框架Harness²，Gemini 3.5性能原地暴涨
新智元报道
新智元报道
这就是 RSI！
谷歌等团队近日开源了一个框架，名字叫 Harness²。
专业基准测试里，像 
Gemini 3.5 Flash 这种顶尖模型，做完一步优化，性能就能往上猛蹿一截。
模型本身没换，可智能体已经换了个样子。
谷歌的 RSI 落在两个层面上：
一层是任务级递归：先提出多种修改方案，每种方案都拿去重跑任务，谁能把任务表现抬上去，就留下谁。
另一层是梳理式递归：每做完一项任务，就把这次用的「梳理方式」连同原因分析一起存下来，下回做任务时据此调整得更到位。
参与这项工作的，除了谷歌云 AI 研究团队成员，还有美国西北大学（Northwestern University）的 Ruiyao Xu，他在实习期间加入。
GitHub 上的开源仓库地址为：https://github.com/google-research/harness2
相关论文可在 arXiv 查阅：https://arxiv.org/abs/2610.14224
项目主页： https://harness2.github.io/
Agent 的黄金 1 0 年已经开启，可一旦把它放进真实业务场景，麻烦就一个接一个冒出来。
真实世界本身是开放的，也没有标准答案。网页内容天天变，API 说更新就更新，用户下的指令更是五花八门。
任务一旦失败，过去常见的做法就是「微调」。
可这条路会引出三个要命的问题：
代价还特别高：算力开销大，数据标注的花费更大。
况且它并没有从根上解决灾难性遗忘。模型被教会用新 API 之后，原先的业务逻辑可能就忘了，正是「按下葫芦浮起瓢」。
更要命的一点在于，很多场合调用的是 Gemini、Claude 这类闭源 API，权重根本碰不到，拿什么去微调？
非侵入式的升级路子，成了绕不开的需求。
所谓Harness（执行框架），就是让模型像智能体那样干活；而Harnessing，说的是把这套系统调优的过程。
Harness²把调优本身做成了递归：先围绕手头任务把执行框架打磨好，随后把能复用的框架与经验写进「改进框架」，供后续优化参照。
Harness字面意思是「马具」或「控制带」。
放到AI领域，它泛指包在语言模型外面、帮模型跟现实世界打交道的全部基础设施。
在Harness²里，谷歌把这个概念落成了8个可编辑组件。
这8个组件，相当于智能体的手、眼、记忆和工具箱。
1 系统提示词（System Prompt）：为Agent划定角色与基础规则。
2 护栏（Guardrails）：划出安全边界，挡住危险操作。
3 记忆（Memory）：存下过往经验与上下文。
4 工具指导（Tool Guidance）：讲清每个工具怎么用，以及哪些坑要避开。
5 子智能体（Sub-agents）：把复杂任务拆开，分给专门的小模型去做。
6 技能（Skills）：面向特定场景固定下来的操作步骤。
7 脚本（Scripts）：能自动跑的代码片段。
8 插件（Plugins）：对接外部服务的接口。
Harness²可接入OpenCode与Codex两类执行器，复杂的代码逻辑能直接跑起来、当场验证。
关键点在这里：Harness²并不去调模型的参数，动手改的是那八大组件。它让模型自己去找——工具哪里不好使、提示词哪里写得烂，找到之后自己动手改。
这些组件的作用不止落在提示词上。哪些内容能进上下文、工具怎么被调用、任务怎么被派出去、工具循环里发生的每一件事，都会被它们塑造。所以改动一处，改的绝不只是一个提示词。
Harness²最核心的创新，就是「双层递归优化」这套架构。
它盯着的不只是眼前这道题，还在替将来那些没遇到过的问题铺路。
第一层是任务级优化（Task-Level），管的是眼前的问题怎么解
一个具体的任务，此前从没见过，Agent做砸了，接下来怎么办？
Harness²为此设计了一套机制，叫PPC（Propose–Probe–Compose，提议-探测-组合）。
碰上此前没见过的难任务，Harness² 不会一头扎进去瞎试，它走的是三步流程：
先说第一步，翻看当下的执行轨迹，盯住暴露出来的毛病，给出若干套改动「八大组件」的备选方案。这步的要害在于把方案提出来。
接着第二步，把几套方案摆到一起比，挑出最管用的那一个。框架会让换上不同新配置的智能体实际跑一遍，直接对照执行上的差距，像老中医搭脉那样，判断哪套方案真把卡住的地方疏通了。
末了一步是合成：把探测环节里成绩最好的改动拼到一起，做出这项任务专属的「终极版战甲」。
说白了，它就是拿不同策略的执行结果相互对照，自行试出正确的通关密码。
任务级递归分为两种形态：
(a) 并行递归：几条候选路径同时开探，各自独立拼装出下一代框架。
(b) 顺序递归：每一个步骤都把改好的框架连同攒下的执行证据一起交给下一步。
再往上是第二层：元级优化（Meta-Level），把全局经验积攒起来
要是只在任务级打转，Agent 顶多算个熟手。一换新任务，它说不定又没辙了。
元级优化这一层，把Agent从「熟手」推到了「大师」的位置。Harness²的这套机制，正是让它在任务级之上再上一层。
任务级优化一旦跑通，Harness²就把其中的核心逻辑抽出来，攒成经验。举个例子，它可能总结出「处理表格数据时，先用脚本清洗空值，成功率更高」这样的规律。这些经验并非随手记下，背后都挂着成功的执行轨迹当证据。
碰到全新的任务，元级优化会去翻这本「错题本」——里面既有成功方案，也有教训——拿过去的底层逻辑来指导当前任务的Harness编辑。
说白了，这就是人的举一反三。在任务A里学到的工具修改技巧，被提炼成通用法则，接着用到完全不相干的任务B上。
光讲思路没用，这套不动权重的“换装”办法究竟能带来多大提升？
设计得再漂亮，最终还是要拿实测结果说话。
在多项专业性很强的基准测试里，Harness² 跑出的成绩相当惊人。
谷歌公布了这批评测数据，内容很扎实。
测试全程冻结模型权重，也不借助任何真实标签做验证，研究对象就是眼下关注度很高的 GLM-5 和 Gemini 3.5 Flash。
只做了一步（Single-step）Harness 优化，这两个模型就在好几个难度不小的专业基准上把分数明显推高了：
WorkBuddy-Bench 重点考察复杂办公流程中的协作能力，在这一项上，最高提升了 +11.5分。
JobBench 模拟的是真实职业任务，这一项的成绩提高了 +4.5分。
到了难度更高的 LAB 基准，准确率提升了 +11.8个百分点。
更让人意外的是，这还只是「单步」优化带来的效果。
论文里提到，一旦把智能体的递归预算 k 调高，也就是允许多跑几轮自我迭代，成绩还会沿着曲线继续往上走。
Harness² 开源之后，很快在硅谷 AI 圈里引来不少呼应。
LangChain 核心成员 Sydney Runkle 就在 X 上第一时间转发了消息，还写了长篇评论。
她点得很准：谷歌 Harness² 的设计，和当下 Agent 工程最前沿的思路——Trace（轨迹证据）与 Eval（验证改进）——吻合得相当高。
她感叹道：
任务级循环的做法是分析轨迹（Trace），据此提出改进提案；元级循环则持续摸索哪些改进模式在验证（Eval）环节真正管用。
智能体要想在生产环境里站得住脚，这条路绕不开。
说白了，Harness²就是在LangChain这类框架之上加了一个全自动、自洽的「Agent医生」。
开发者不用再逐行翻日志、手动调提示词了。Agent自己盯着日志看，提示词和工具就自己修好了。
人类能统治地球，靠的并非脑容量在几千年里突然变大，而是语言（Prompt）、文字记录（Memory）和工具制造（Tools）一代代传下来、不断迭代。
Harness²要给的，正是Agent同样的这套本事。
参考资料：
