這就是RSI！
剛剛，Google等開源了一項名為Harness²的重磅框架。
在專業基準測試中，即使是Gemini 3.5 Flash這樣的頂尖模型，也能在單步最佳化後實現性能的狂飆。
模型還是那個模型，但智能體已不再是那個智能體。
在兩個層面上，Google實現了 RSI：
任務級遞迴：提出各種修改方案，對每個方案都重新執行任務，保留那些能讓任務表現更好的修改方案。
梳理式遞迴：在完成每項任務後，保存所使用的「梳理方式」以及其中的原因分析，這樣在處理下一項任務時就能做出更出色的調整。
除了Google雲 AI 研究團隊成員，來自美國西北大學（Northwestern University）的Ruiyao Xu實習時參與了此項工作。
GitHub 開源地址： https://github.com/google-research/harness2
arXiv 論文連結： https://arxiv.org/abs/2610.14224
項目首頁： https://harness2.github.io/
01. 為什麼我們不想改「模型權重」？
Agent黃金 1 0 年開啟，但Agent在真實的業務場景中時，問題接踵而至。
真實世界是開放的。沒有標準答案。網頁每天在變，API隨時更新，使用者的指令千奇百怪。
當任務失敗時，傳統的解法是「微調」。
但這帶來了三個致命問題：
但這成本極高：算力貴，資料標註更貴。
而且沒有從根本上解決災難性遺忘。你教會了模型用新API，它可能忘了舊的業務邏輯，「按下葫蘆浮起瓢」
更致命的是，很多時候用的是Gemini、Claude等閉源API，你根本摸不到它的權重，怎麼微調？
我們需要一種非侵入式的升級方案。
Harness（執行框架）讓模型能以智能體的方式行動，Harnessing 就是最佳化這套系統的過程。
Harness² 讓這個最佳化過程變成遞迴的：它先針對當前任務完善執行框架，再把可復用的框架和經驗更新進「改進框架」，用來指導以後的最佳化。
02. 什麼是Harness？Harness²又是什麼？
Harness，直譯為「馬具」或「控制帶」。
在AI語境中，它指的是包圍在語言模型外部，幫助模型與現實世界互動的所有基礎設施。
Google在Harness²中，將這個概念具象化為八大可編輯元件。
這八個元件，就是智能體的「手、眼、記憶和工具箱」。
1 系統提示詞（System Prompt）： 定義Agent的角色和基礎規則。
2 護欄（Guardrails）： 設定安全邊界，防止危險操作。
3 記憶（Memory）： 記憶體過去的經驗和上下文。
4 工具指導（Tool Guidance）： 告訴Agent每個工具的具體用法和避坑指南。
5 子智能體（Sub-agents）： 負責把複雜任務拆解，分配給特定的小模型。
6 技能（Skills）： 針對特定場景固化的操作步驟。
7 指令碼（Scripts）： 自動執行的程式碼段落。
8 外掛（Plugins）： 連接外部服務的介面。
Harness²框架支援OpenCode與Codex執行器，這意味著它可以直接運行和驗證複雜的程式碼邏輯。
重點來了：Harness²最佳化的不是模型的參數，而是這八大元件。 它讓模型自己去發現工具那裡不好用，提示詞那裡寫得差，然後自己修改它。
這些元件不僅影響提示詞本身，還塑造了進入上下文的內容、工具的使用方式、工作的委派方式，以及工具循環內部發生的一切。改進所能改變的不只是一個提示詞。
03. 深度拆解：雙層遞迴最佳化的「黑魔法」
Harness²最大的創新，在於它的「雙層遞迴最佳化」架構。
它不僅解決眼前的問題，還在為未來的未知問題做準備。
第一層：任務級最佳化（Task-Level）——解決眼前的問題
面對一個具體的、從未見過的任務，Agent搞砸了怎麼辦？
Harness²設計了一套被稱為PPC（Propose–Probe–Compose，提議-探測-組合） 的機制。
當遇到一個從未見過的棘手任務時，Harness² 不會悶頭亂撞，而是啟動三步走策略：
第一步，分析當前執行軌跡，針對暴露出的痛點，提出好幾個修改「八大元件」的方案。這一步關鍵在提案。
第二步是對比不同提案，探測最優提案！框架會讓換上不同新裝備的智能體去試跑，通過直接對比執行差，像老中醫把脈一樣，找出那個方案真正解決了卡點。
最後，一步是合成： 把探測中表現最好的修改方案融合起來，生成當前任務的「終極版戰甲」。
一句話總結：它通過比對不同策略的執行結果，自己摸索出正確的通關密碼。
任務級遞迴的兩種形式：
(a) 平行遞迴：同時試探多個候選，各自獨立組合出下一代框架。
(b) 順序遞迴：每一步都把改進後的框架和積累下來的執行證據帶入下一步。
第二層：元級最佳化（Meta-Level）——積累全域的智慧
如果只停留在任務級，Agent不過是個熟練工。換個新任務，它可能又抓瞎了。
Harness²的元級最佳化，讓Agent進化成了「大師」。
每次任務級最佳化成功後，Harness²會提取其中的核心邏輯，沉澱經驗。比如它發現「在處理表格資料時，先用指令碼清洗空值，成功率更高」。
這些經驗不是隨便寫的，而是附帶了成功的執行軌跡作為證據。
當Agent面對全新的任務時，元級最佳化會翻開這本「積累了成功方案與教訓的錯題本」，用過去的底層邏輯，指導當前任務的Harness編輯。
這就像人類的舉一反三。 在任務A學到的工具修改技巧，被提煉成了通用法則，用在了完全不同的任務B上。
04. 戰績彪悍！GLM-5 與 Gemini 3.5 Flash 原地起飛
光說不練假把式，這套不改權重的「換裝大法」到底有多猛？
架構再好，還得看療效。
Harness²在多項高度專業的基準測試中，交出了令人震撼的成績單。
Google放出了極其硬核的評測資料。
在全部鎖定模型權重、完全不依賴真實標籤驗證的情況下，研究人員拿當前備受矚目的 GLM-5 和 Gemini 3.5 Flash 進行了測試。
僅僅經過單步（Single-step）的 Harness 最佳化，兩大模型在多個極具挑戰的專業基準測試中，成績直接拉出了一條陡峭的陽線：
在極其考驗複雜辦公流協作的 WorkBuddy-Bench 上，最高暴漲 +11.5分！
在模擬真實職業任務的 JobBench 上，穩步提升 +4.5分！
在硬核的 LAB 基準測試中，精準率更是飆升了 +11.8個百分點！
更恐怖的是，這只是「單步」最佳化的威力。
論文指出，隨著你給智能體增加遞迴預算 k（即允許它多進行幾輪自我迭代），它的表現還能順著曲線進一步攀升！
05. 英雄所見略同：LangChain生態的強烈共鳴
Harness² 的開源，迅速在矽谷AI圈引發了強烈共鳴。
LangChain 的核心成員 Sydney Runkle 第一時間在 X 上轉發並深度長評。
她敏銳地指出，Google Harness² 的設計與當前最前沿的 Agent 工程理念——Trace（軌跡證據）與 Eval（驗證改進） 達成了驚人的高度一致！
她感嘆道：
任務級循環通過分析軌跡（Trace）來提出改進提案；
而元級循環則在不斷學習那些改進模式在驗證（Eval）中是真正有效的。
這正是讓智能體在生產環境中走向可靠的必經之路！
Harness²等於在LangChain這樣的框架之上，提供了一個全自動的、自洽的「Agent醫生」。
開發者不再需要一行行去看日誌、手動調優提示詞。Agent自己看著日誌，自己就把提示詞和工具修好了。
人類能夠統治地球，靠的不是腦容量在幾千年裡發生突變，而是靠著語言（Prompt）、文字記錄（Memory）和工具製造（Tools）的代代相傳和迭代。
Harness²，正在賦予Agent同樣的能力。
(新智元)