谷歌云 AI 提出 Harness²：递归执行框架自进化机制，开放世界任务跑分狂飙 11.8%

核心背景与行业痛点

在实际生产落地中，大语言模型智能体（LLM Agents）的任务达成率不仅取决于底层基础模型的推理能力，更在极大程度上受制于包围在其外部的执行外壳（Execution Harness）——包括提示词调度、沙箱上下文注入、工具调用协议和中间状态暂存等工程框架。递归自我提升（Recursive Self-Improvement, RSI）被公认为让外壳自动演进的最有前景途径。然而，将 RSI 部署到真实的“开放世界（Open World）”场景面临两大严峻挑战：第一，开放世界任务在测试时是全新且未见过的，缺乏可靠的 Ground-Truth 单元测试验证器来监督在线外壳的修改；第二，现有的外壳编辑过程高度针对特定任务过拟合，无法将优化经验泛化到未来全新的工作流中。

架构亮点与底层机制

针对上述痛点，来自谷歌云 AI 研究团队（Google Cloud AI Research）提出了 Harness² 框架，首次通过两级递归循环（Two-Level Recursion）实现了无需真实检验器的开放世界智能体外壳自进化：

1. 任务级递归（Task-Level Recursion）与 Propose-Probe-Compose：针对当前任务，框架设计了对比式的“提议-探针-组合”三步法。系统首先提议外壳候选修改，接着利用精心设计的探针在无需标准答案的前提下可靠度量修改效果，最终组合出最佳外壳，并可通过并行或序列递归进一步扩展搜索预算；
2. 外壳级递归（Harnessing-Level Recursion）与经验累积：在单个任务的外壳演进完成后，系统提取可泛化的工程抽象与元规则，直接更新底层的“持续演进外壳”（Continual Improvement Harness），使系统在面对未来从未见过的陌生任务时具备更强的初始适应力；
3. 即插即用与模型无关性：完全不改动基础模型的权重参数，所有进化均发生在执行架构层，具备极佳的工程部署灵活性。

权威 Benchmark 与实测跑分对比

研究团队在跨越三个专业级智能体基准与四种模型-外壳组合中进行了严格评估：

• 跨模型一致性暴涨：仅需单步递归，Harness² 便显著提升了开源旗舰 GLM-5 与商业前沿模型 Gemini 3.5 Flash 在其原生外壳上的表现；
• 三大基准全面突破：在企业级长链路协作基准 WorkBuddy-Bench 上获得高达 11.5 分的提升；在模拟真实岗位任务的 JobBench 上提升 4.5 个百分点；在跨域复杂交互基准 LAB 上实现 11.8% 的惊人跃迁；
• 计算扩展性验证：随着任务级递归计算预算的增加，智能体的成功率展现出平滑的单调递增趋势，证明了探针引导搜索的鲁棒性。

开发者实战落地与开箱指南

Harness² 为正在搭建企业级智能体平台与 Agent OS 的研发团队提供了极具价值的落地范式：

• 架构论文研读：详细的双层递归算法流程与对比探针设计可详见预印本（arXiv:2610.14224）；
• 生产环境免微调升级：无需承担高昂的模型微调算力成本，仅在外壳层挂载 Propose-Probe-Compose 模块，即可让线上 Agent 面对多变的用户自定义任务具备自我纠错与外壳自适应能力；
• 持续经验库沉淀：建议企业将用户交互成功轨迹反哺至全局外壳配置库，实现“越用越聪明”的动态 Agent 执行环境。