模型的权重一动不动，分数却能涨 11.5 分——谷歌开源 Harness²，并顺手承认了一件事：你花大钱买的那层”壳”，一直在拖后腿

模型的权重一动不动，分数却能涨 11.5 分——谷歌开源 Harness²，并顺手承认了一件事：你花大钱买的那层”壳”，一直在拖后腿

先说一个被行业默认接受了很久的设定：想让 AI 变强，就得动模型。

训练、微调、蒸馏、RLHF，无论哪条路，最终都要碰权重。这套逻辑支撑了整个 AI 行业的算力叙事——模型不够好？加卡。表现不如预期？再训一轮。

谷歌研究院 10 月 9 日挂到 arXiv 的一篇论文，把这个设定撬开了一条缝。

论文标题很直白：《Harness²: Recursive Agent Harnessing for an Open World》。同时，代码已在 GitHub 以 Apache 2.0 协议开源。

它做的事听上去有点不讲道理：模型的权重一个字节都不动，只让它自己改写自己周围那圈”外壳”，分数就能涨 11.5 分。

先搞清楚：”外壳”到底是什么

这是理解整件事的关键。

一个智能体的能力，从来都是一半在模型，一半在模型周围那一圈配置。那圈东西有个专门的词：harness（外壳/脚手架），或者直译叫”马具”——套在模型身上、决定它怎么用力的那套装置。

Harness² 把这层外壳拆成了 8 类可编辑组件，全部以文件形式挂在系统里：

1. 系统提示词 2. 护栏 3. 记忆 4. 工具指南 5. 子智能体 6. 技能（Skills） 7. 脚本 8. 插件中间件

这八样东西共同决定了智能体怎么构建上下文、怎么调用工具、怎么把任务委派出去、怎么在多轮调用里把自己拉回来。

换句人话说：模型是大脑，这八样是”工作手册 + 工具箱 + 记忆本 + 下属名单”。 而 Harness² 要做的，是让智能体在执行任务的过程中，自己动笔改这八份东西。

数字先摆出来

在 WorkBuddy-Bench（覆盖办公、网页、编程三类任务）上，GLM-5 配合 OpenCode 执行器，仅经一步优化，就从 64.2 分升到 75.7 分——涨了 11.5 分。

并且，它反超了原生 Gemini 3.5 Flash。

其他两项基准：

– Harvey 的法律基准 LAB：部分通过率提升 11.8 个百分点 – JobBench：最高提升 4.5 分

而最重要的一个细节是：四种”模型—执行器”组合，全部录得提升，无一例外。

机制：两层递归，一层改现在，一层攒经验

名字很学术，逻辑其实好懂。

第一层：任务级递归。 智能体先用基础 harness 跑一遍任务。然后一个”编辑器”出场，提出两个修改方案——一个针对通用智能体缺陷（比如规划、工具使用），一个针对当前领域的专业知识。两个候选方案在同一件任务上分别试跑，最后由”组装器”对比三份执行轨迹，只保留有行为证据支持的改动。

这一步叫 Propose-Probe-Compose（提出—探测—组合）。

它的精妙之处在于：整个过程不需要标准答案。 它不判断”哪个答案对”，它对比”哪种改法让行为表现得更好”。这个区别是整篇论文的灵魂。

第二层：harnessing 级递归。 每次任务结束后，系统把被采纳的 harness 和一份经验笔记（`EXPERIENCE.md`）存进”改进库”。下次遇到新任务，编辑器已经”见过世面”了——每个新任务仍然从基础 harness 出发，但提出的修改更靠谱。

此外还有个预算参数 k 控制搜索深度。k=5 的并行递归，能再多拿 2.9 到 3.9 分。

三个我觉得最值得聊的细节

第一，谷歌的框架，用 Anthropic 的模型当”编辑器”。

论文里明写：编辑器默认是 Claude Opus 4.8。

这个细节很有信息量。它说明在”审阅并改写 agent 行为”这件事上，谷歌自己承认手上最强的工具来自竞争对手。顺带一提，这也印证了我前几天写 Pi 时说的那句话——当写代码的瓶颈消失后，价值锚点会转移到”审阅与拍板”上。 这里谷歌直接把”审阅”这个环节外包给了 Opus。

第二，执行器越弱，收益越大。

这是整篇论文里我认为最有实操价值的一个结论。

WorkBuddy-Bench 上那个 11.5 分，是 GLM-5 + OpenCode 这个组合拿到的——一个相对弱一些的搭配。换句话说：Harness² 是弱模型的”逆袭通道”。 你手上的模型不如人，但你的外壳调得更好，分数就能反超。

这对预算有限的团队是极好的消息：不必非得买最贵的模型，先把外壳调对。

第三，它是”不改权重也能变强”里最诚实的版本。

论文有一句话说得很实在：很多自动优化方法依赖评测集、奖励信号、或者真实的标准验证器来判断”这次修改是不是更好”。但真实企业环境里，大量任务根本没有唯一答案，甚至可能在 Agent 上线之前从没出现过。

Harness² 的应对是：不判对错，只看行为差异。 有执行证据支持的改动才留下。

这是我觉得它比同类方案更可能落地的原因——它默认了”你拿不到标准答案”这个现实。

我的判断

第一，这件事真正重要的地方，不是那 11.5 分，而是它重新分配了”变强”的成本结构。

过去要提升 agent 表现，你得：换更强的模型（贵）、微调（更贵）、重训（最贵）。Harness² 提供的是第四条路：不动模型，改外壳。 而外壳是文件、是文本、是可以被搜索和迭代的东西——成本结构完全不同。

而且请注意，这跟 RSI（递归自我改进）的叙事是同一条线。前几天我写过谷歌 DeepMind 被曝跑通 RSI，这次开源的是它的工程化版本：AI 自我改进，从”传言”变成了”Apache 2.0 协议、可以直接 pip 装的代码”。

第二，但我必须泼一盆冷水：论文自己写了，成本和延迟是落地的主要约束。

多轮优化意味着多次执行、多次对比、多次重组。每一步都要真跑。”涨 11.5 分”的代价，是 token 账单和响应延迟一起涨。 对于延迟敏感的场景（客服、实时编程辅助），这套东西可能直接不可用。

而且谷歌自己声明了：这仍是研究项目，不是官方支持的产品，沙箱和网络访问需要用户自行限制。加上测试集与真实开放任务之间还有距离——用一个更直白的说法：这是实验室里跑出来的数字，不是你在生产环境里能立刻复现的数字。

第三，对做 agent 的人，这篇论文给了三个可以直接抄的动作。

1. 先别急着换模型，先审计你的外壳。 系统提示词、工具描述、记忆策略——这八样东西里，随便哪一样写得糙，都是在白花花地浪费模型能力。Harness² 涨的 11.5 分，本质是把你原本浪费掉的那部分捞回来。 2. 建立你自己的 `EXPERIENCE.md`。 不用等谷歌的框架，人工也能干这件事——每次任务失败后记一条”这次错在哪、下次怎么改”，攒成一个小库。这是成本最低的自我改进。 3. 认准”执行器越弱收益越大”这句话。 如果你预算有限，别把钱全砸在模型上，留一部分给外壳调优，ROI 会更高。

最后说句我的判断。

这条新闻最值得警惕的地方，恰恰是它最吸引人的地方：”不碰权重也能变强”听起来像是免费的午餐。

它不是。它只是把成本从机房转移到了 token 账单和延迟上，把门槛从”有钱买卡”转移到了”有耐心做实验”上。

但它确实揭示了一件重要的事：我们过去几年把绝大部分注意力放在”模型有多强”，而忽略了”套在模型身上那层壳有多糙”。 现在有人把壳拆开、把八个零件一个个摆出来，告诉你这里能捡多少分。

那些分，一直都在那里。只是之前没人弯腰去捡。