谷歌开源的Harness²给出了一个不依赖标准答案的自改上下文方案——它把Harness拆成系统提示词、记忆、工具指导、Skills等8类组件，让Agent在任务执行中通过“提出—探测—组合”三轮递归，自己修改这些外部组件，而非模型权重。这套机制已在WorkBuddy-Bench上实现最高11.5分的成绩提升，而模型本身没有任何参数变化。
一、两层递归机制如何运作
任务级递归：面对新任务时，Agent先生成多套Harness修改方案，让不同版本实际执行同一任务，观察行为差异后重新组合出更合适的Harness配置。
Harnessing级递归：任务结束后不丢弃经验，而是维护一个持续存在的Improvement Harness，把有执行证据支持的方案保存下来指导后续任务。
并行与顺序两种模式：前者同时探索多套Harness侧重“搜索更宽”，后者把上一轮证据带入下一轮侧重“优化更深”。
二、为什么“没有标准答案”反而是关键
真实场景的痛点：企业环境中大量任务不存在唯一正确答案，传统优化方法依赖评测集或奖励信号，在这类场景中失效。
行为差异替代正确答案：Harness²通过实际执行观察差异，采用“有执行证据支持”的修改，而非依赖预设的验证器。
底层模型无关：测试使用GLM-5和Gemini 3.5 Flash两种不同模型，仅一步Harness²优化即可在JobBench最高提升4.5分。
三、代价与边界
测试时计算换成功率：每增加一轮递归意味着额外模型调用和完整任务执行，本质上是用更多算力换取更高成功率。
安全边界待解：当前executor默认网络访问不受限，Codex executor会关闭sandbox，正式评测需另加限制。
成本控制需求：社区已提出支持
--max-usd
成本上限和人工参与Harness选择等改进方向。
本文由AI生成
