Harness²：让智能体在没有标准答案时也能递归进化

导语

一个智能体能否完成复杂工作，取决于的不只是底层语言模型，还包括它如何拆解任务、调用工具、检查结果和处理失败。这套围绕模型运行的程序、提示与流程，可以理解为智能体的“执行框架”（harness）。Google 团队发布的 Harness²，尝试让这套框架具备递归自我改进能力，尤其面向缺少标准答案和固定验证器的开放世界任务。

两层递归如何工作

传统的递归自我改进往往依赖明确的奖励或正确答案，但开放世界任务通常在设计阶段尚未出现，测试时也可能没有可靠的 ground truth。Harness²因此把改进过程拆成两个相互连接的层次：

• 任务级递归：针对当前任务提出不同的框架修改方案，再通过探测和对比来观察方案表现，最后组合出更合适的版本。其核心流程被称为 Propose-Probe-Compose，不要求预先提供标准答案作为唯一评判依据。
• 框架级递归：从当前任务的修改过程中提取可复用经验，更新一个持续改进框架，使后续任务不必从零开始调整。
• 递归扩展：任务级优化可以采用并行或顺序方式扩大搜索范围；研究结果显示，随着任务级递归预算增加，性能还可能继续提升。

实验结果说明了什么

论文在三个专业基准、四种模型与执行框架配置上进行评估。对 GLM-5 和 Gemini 3.5 Flash，相比各自的基础框架，单步 Harness² 在 WorkBuddy-Bench 上最高提升 11.5 分，在 JobBench 上提升 4.5 分，在 LAB 上提升 11.8 个百分点。素材显示，这些提升在不同配置中具有一致性，但并不意味着所有任务都能获得相同幅度的收益。

意义与局限

Harness²的价值在于把“改进智能体”从单纯升级模型，推进到持续优化运行机制：一次任务中的试错，能够成为下一次任务的起点。这对职业工作、工具使用和流程复杂的开放环境尤其有启发意义。不过，框架修改仍需要额外的探测与计算预算，且无 ground truth 时的对比信号并不等同于真实任务结果。未来仍需进一步验证经验迁移的稳定性、成本控制和长期累积是否会放大错误策略。

来源：Hugging Face Daily Papers