谷歌开源双层 RSI 框架 Harness²，Gemini 3.5 Flash 单步优化性能提升

谷歌云AI研究团队联合美国西北大学研究人员开源了名为Harness²的双层递归优化框架，该框架不修改模型权重，而是通过优化智能体外部执行框架来提升任务表现。在锁定模型权重、不依赖真实标签验证的条件下，Gemini 3.5 Flash与GLM-5经过单步优化即在多项专业基准测试中取得提升。

研究团队将这一思路称为递归自我改进（RSI），并已在GitHub开源代码、发布论文与项目主页。框架支持OpenCode与Codex执行器，可直接运行和验证复杂代码逻辑。

不改权重的优化思路

研究团队把这一方向称为递归自我改进（RSI）。其出发点在于，真实业务场景是开放的：没有标准答案，网页每天在变，API随时更新，用户指令千奇百怪，智能体在落地时容易接连出现问题。

传统解法是对模型做微调，但研究团队列出三重障碍：算力与数据标注成本极高；难以从根本上避免灾难性遗忘，教会模型使用新API后可能忘掉旧业务逻辑；许多场景调用的是Gemini、Claude等闭源API，开发者无法触及权重，微调无从谈起。

Harness在AI语境中指包围在语言模型外部、帮助模型与现实世界交互的全部基础设施，Harnessing即优化这套系统的过程。Harness²则让优化过程本身递归化：先针对当前任务完善执行框架，再把可复用的框架与经验更新进改进框架，用于指导后续优化。

八大可编辑组件

框架把Harness具象化为八个可编辑组件，被视为智能体的手、眼、记忆和工具箱：系统提示词定义角色与基础规则；护栏设定安全边界、防止危险操作；记忆存储过往经验与上下文；工具指导说明每个工具的具体用法与避坑要点。

其余四个组件分别是子智能体、技能、脚本和插件。子智能体负责把复杂任务拆解并分配给特定的小模型；技能是针对特定场景固化的操作步骤；脚本是自动执行的代码段落；插件则是连接外部服务的接口。

优化的对象正是这八个组件，而非模型参数。按来源的表述，这些组件不仅影响提示词本身，还塑造进入上下文的内容、工具的使用方式、工作的委派方式以及工具循环内部发生的一切，因此改进所能改变的不只是一个提示词。

双层递归架构

第一层是任务级优化，采用被称为PPC（Propose–Probe–Compose，提议-探测-组合）的机制。面对从未见过的棘手任务，框架先分析当前执行轨迹，针对暴露出的痛点提出多个修改八大组件的方案；再让换上不同方案的智能体试跑，通过对比执行差异找出真正解决卡点的提案；最后把表现最好的修改融合起来，形成当前任务的版本。

任务级递归有两种形式：并行递归同时试探多个候选，各自独立组合出下一代框架；顺序递归则在每一步把改进后的框架和积累的执行证据带入下一步。

第二层是元级优化。每次任务级优化成功后，框架会提取其中的核心逻辑沉淀为经验，例如发现处理表格数据时先用脚本清洗空值成功率更高，这些经验附带成功的执行轨迹作为证据。面对全新任务时，元级优化用这些积累的方案与教训指导当前的Harness编辑，使在任务A中学到的工具修改技巧被提炼为通用法则，用于任务B。

基准测试成绩

评测在全部锁定模型权重、完全不依赖真实标签验证的条件下进行，测试对象为GLM-5与Gemini 3.5 Flash，且仅经过单步Harness优化。

具体数据为：在考验复杂办公流协作的WorkBuddy-Bench上最高提升11.5分；在模拟真实职业任务的JobBench上提升4.5分；在LAB基准测试中准确率提升11.8个百分点。

论文指出，随着递归预算k增加，即允许智能体多进行几轮自我迭代，其表现还能沿曲线进一步攀升。

业界反响与开源信息

Harness²开源后在硅谷AI圈引发讨论。LangChain核心成员Sydney Runkle在X上转发并发表长评，认为该设计与当前前沿的Agent工程理念中Trace（轨迹证据）与Eval（验证改进）高度一致：任务级循环通过分析轨迹提出改进提案，元级循环则持续学习哪些改进模式在验证中真正有效。

她将这一路径视为智能体在生产环境中走向可靠的必经之路，并形容Harness²相当于在LangChain这类框架之上提供一个全自动、自洽的Agent医生，开发者不必逐行查看日志、手动调优提示词。

该工作由谷歌云AI研究团队联合美国西北大学研究人员完成，来自西北大学的Ruiyao Xu在实习期间参与了此项工作。

要点

• Harness²由谷歌云AI研究团队与西北大学研究人员共同完成
• 框架优化对象为智能体八大组件而非模型参数
• WorkBuddy-Bench最高提升11.5分
• LAB基准准确率提升11.8个百分点
• 完整信息已在GitHub与arXiv公开