Google 开源了 Harness²，这可以说是近期 AI Agent 领域极具启发性的一项框架突破。它跳出了“卷模型权重微调”的传统思路，将自递归进化机… · @realfxw · TwKit

@realfxw

Google 开源了 Harness²，这可以说是近期 AI Agent 领域极具启发性的一项框架突破。它跳出了“卷模型权重微调”的传统思路，将自递归进化机制直接做进了 Agent 的系统外围架构（Harness）中。 一句话概括其核心逻辑：底层模型权重完全冻结，依靠系统架构的双层递归，让 Agent 在面对未曾见过的全新任务时实现自我迭代与持续学习。 所谓 Harness，是指围绕模型运行的一切支撑系统（提示词、记忆、工具编排等）。Harness² 将其规范为 8 大核心组件： System prompt（系统提示词） Guardrails（安全围栏） Memory（上下文与记忆） Tool guidance（工具指引） Subagents（子智能体编排） Skills（动态技能） Scripts（执行脚本） Plugins（外部插件） 但单纯拼装这 8 个组件并不稀奇，Harness² 的真正杀手锏在于它的双层递归机制： 任务级递归（Task-level Recursion）：引入 Propose-Probe-Compose 机制。在完全没有标注真值（Ground Truth）反馈的开放世界里，Agent 会主动提出修改方案、探测不同配置下的行为差异，并从对比结果中组合出当前任务的最佳执行 Harness。 架构级递归（Harnessing-level Recursion）：把在具体任务中沉淀下的硬核解法转化为可复用的规则与“Skills”，写回持久化配置中。下次遇到类似挑战时，无需重复摸索和试错。 特别值得关注的是，这种外围调优经验具备极高的跨模型迁移性——针对一个模型沉淀出的优质 Harness，直接迁移到另一个模型上依然能带来显著的性能跃升。在底层大模型能力逐渐逼近瓶颈的今天，“Harness 工程化与自适应系统”很可能是决定 Agent 落地能力的下一个关键战场。 https://github.com/google-research/harness2 #AI #AIAgents #GoogleResearch #大模型 #开源项目

曝光 6 · 评论 0 · 点赞 0 · 书签 0