你可能遇到过这样的 AI 助手：方案讲得很清楚，真正做事时却漏读了文件；生成了一份 Excel，里面的统计口径却没有对齐；工具调用报错后，换个说法又试了一遍，最后仍然没有交付结果。

遇到这些问题，我们通常会修改提示词、补充操作步骤，或者增加一个检查脚本。

调试几轮后，同一个模型的表现往往就不一样了。这也让人开始思考：能不能让智能体参与这项调试工作，把失败转化成下一次可用的方法？

2026 年 10 月，谷歌研究团队开源了 Harness²。相关论文于 10 月 9 日提交，研究的正是这件事。

它保持模型参数不变，通过试跑和对照，改进智能体完成任务的方式。

把大模型想成一名员工，Harness 就是这名员工的工作手册、工具箱和协作流程。

手册决定先做什么、后做什么；工具箱决定能读取哪些文件、运行哪些程序；协作流程决定什么时候找助手、遇到错误怎么办、交付前检查什么。

同一个人，在不同的工作条件下，完成任务的质量可能相差很大。对智能体来说，围绕模型的这些配置，同样会影响最终表现。

Harness² 把这套工作系统作为可以调整的对象。官方开放了八类可编辑组件：系统提示词、约束规则、记忆、工具使用指导、子智能体、Skills、脚本，以及介入工具运行过程的插件。

这些名字听起来很多，放到实际工作中就容易理解了。

“先检查输入文件是否齐全”，可以写进总体工作要求；“处理退款数据时怎样核对口径”，可以整理成一个 Skill；“重复计算和文件检查”，可以交给脚本；某些需要在工具调用前后执行的动作，则可以放进插件。

不同问题，需要放到合适的位置解决。 一段专业流程可以按需加载，一项确定的计算可以直接运行程序。配置方式也会影响上下文占用、执行成本和复用效果。

“合并订单表和退款表，按渠道计算净销售额，再生成一份 Excel。”

下面是一个用于解释原理的假设场景。

智能体第一次执行时，直接按商品名称连接两张表，没有核对订单与退款的对应关系。生成文件后，它也没有重新打开检查。

结果可能很像一份正式报告，问题却藏在处理过程里。

 的基本改进步骤，可以放进这个场景中理解。

第一步，记录原来的执行过程。

先用基础配置完成一次任务，保留工具调用、文件操作和交付物。这样后续调整就有了参照。

第二步，从两个方向提出改动。

一个方向关注通用工作问题。例如，增加交付前重新打开文件的检查步骤。

另一个方向关注领域问题。例如，增加核对关联字段和数据粒度的 Skill，并明确怎样处理无法匹配的退款记录。

第三步，在同一项任务上试跑。

让候选配置分别执行，比较它们的过程和结果：有没有解决观察到的问题？是否出现了新的遗漏？某条新增要求有没有真正影响行为？

第四步，根据证据形成新的配置。

系统选择性地合并或修改候选方案，再执行一次。证据不足时，也可以保留原配置。

论文把这个过程称为 Propose–Probe–Compose，可以直译为“提出改动、试跑观察、综合形成配置”。

这里的价值在于，每项改动都可以追问：它针对哪个问题，试跑时发生了什么变化，为什么值得保留？

完成眼前的任务，只是第一层。

Harness² 还会保存采用的配置，以及这次改进中有执行证据支持的经验，供后续任务参考。

仍以销售分析为例，这次形成的经验可能是：

“合并两类业务数据前，应检查数据粒度、关联字段和无法匹配的记录。”

这是一条可以迁移的工作方法。而某张订单表的具体金额，只适用于当前任务。

下一项任务会从共同的基础配置开始，再选择性借鉴已有经验。当前实现主要通过更新组件与经验库，影响后续改进；模型参数、改进阶段的指令和决策规则仍保持固定。

这个设计对应了日常工作中很熟悉的一件事：有经验的人，会根据新问题调整已有方法，也会重新核实眼前的事实。

自动改配置、记忆和 Skills，在其他方案中也已出现。Harness² 的特点，是把候选试跑、基于证据的配置组合，以及跨任务经验复用连成闭环。

这种组合尤其适合探索陌生任务的处理方法，实际价值仍取决于试跑证据和后续任务中的复用效果。

作者在办公、代码、网页及专业工作等基准上进行了测试。下面选取三个结果，均使用 OpenCode 执行环境，进行一次改进步骤，数字为三次运行的均值。

这些数据支持一个有实践价值的判断：优化智能体的工作系统，能够释放同一模型尚未发挥出来的能力。

表格中的评分与通过率属于不同指标，不能直接比较；相对原配置的增益，也需要与其他优化方法区分。例如，在同一论文的 Gemini 3.5 Flash＋OpenCode 设置下，WorkBuddy 综合评分为 Harness² 77.5、Meta-Harness 76.4，相差 1.1 分。判断优势时，还应结合具体任务、总成本和耗时。

对企业团队来说，这提供了一个值得测试的方向：当 Agent 表现不稳定时，除了评估模型能力，也可以检查输入组织、工具说明、专业流程和交付验证。

自我改进仍然需要可靠的判断依据

理解 Harness²，还需要看清它怎样判断“改得更好了”。

它面向的一个重要场景，是实际任务没有现成的标准答案。优化阶段主要利用任务要求、执行记录和模型判断，比较不同配置的行为；论文实验则另外使用基准评价来衡量效果。

因此，试跑能够提供改动是否有效的线索，却不能自动证明业务结论正确。

一份报告可能更完整，但仍然引用了错误事实；一个工具调用可能成功了，但查询条件仍然有误。不同候选方案也可能共享同一个错误假设。

对于能明确校验的内容，应保留相应的检查。 金额可以重新计算，数据关联可以检查，排班结果可以验证硬约束，权限操作可以由访问控制系统判断。

这些检查会为“是否采用改动”提供更扎实的依据。

一项任务可能经历基础执行、候选试跑、配置组合后的执行，还要调用负责分析和修改配置的模型。论文主实验默认采用 Claude Opus 4.8 作为配置编辑器。

所以，即使最终执行任务的模型没有变化，总成本仍然需要计算所有试验和编辑过程。

并行尝试可以在资源充足时缩短等待时间，额外计算量仍然存在。

从这个角度看，复杂、价值较高、会反复出现的任务，更值得评估这类方法。简单请求则需要衡量：多跑几轮带来的收益，是否足以覆盖时间和费用。

如果正在建设企业 Agent 平台，一个务实的起点，是选取几类经常失败、又可以重复执行的任务。

例如跨文件核对、复杂报告生成，或者有明确检查条件的数据处理。

先保存完整执行记录，让系统针对具体失败提出改动，再比较正确率、交付完整度、费用和耗时。经过回归测试后，有效的 Skill、脚本或工具规则就可以纳入后续使用。

试验环境也需要认真配置。官方说明 Harness² 属于研究项目，并非受到正式支持的 Google 产品；当前发行版没有限制执行器联网，Codex 执行路径还关闭了沙箱。 涉及企业系统时，应自行设置隔离环境、访问权限和网络边界。

我更看重 Harness² 带来的工程思路：让智能体的执行记录成为改进材料，让配置变化有可比较的依据，让有效的方法能够被保留和复用。

当一次失败能够沉淀成一项经过检验的能力，下一次任务就有机会从更好的起点开始。

谷歌开源 Harness² 让 Agent 学会改进工作方法

人工智能

开发工具

Harness²开源框架通过记录执行过程、试跑候选配置并组合有效经验，自动优化AI智能体的工作流程、工具使用与交付检查，在不调整模型参数下提升任务表现，适用于跨文件核对等复杂重复性企业任务。

回归测试

数据处理

智能体

WorkBuddy 

Agent

让每一个 Agent，都跑在云上

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

谷歌开源 Harness² 让 Agent 学会改进工作方法

谷歌开源 Harness² 让 Agent 学会改进工作方法

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐