Google Research 在 arXiv 发布论文并开源了 Harness²，一个面向开放世界的递归智能体优化框架。该框架的核心思想是：LLM 智能体的能力不仅取决于底层模型，还取决于其执行框架。Harness² 借助递归自我改进机制，自动演化和优化智能体的执行框架，通过两层递归在不调整模型权重的前提下提升表现。在 WorkBuddy-Bench 等基准测试中，该框架最高带来 11.5 分的性能提升。技术细节上，Harness² 支持并行与顺序两种递归模式，可根据任务特点灵活选择优化路径；框架已集成多款基准测试，便于研究者直接验证效果。项目采用 Apache 2.0 协议开源，允许商业使用与二次开发。这一工作为不依赖模型重训练的性能提升提供了新路径，即通过持续优化智能体外部的执行逻辑来释放底层模型的潜在能力。同时，论文也探讨了递归自我改进在开放世界部署中的可行性问题，为后续智能体工程的演进提供了参考基础。
事件分析
Harness² 的技术看点在于将优化对象从模型权重转向执行框架，这与当前流行的提示词工程、工作流编排思路一脉相承，但更系统化，用递归机制让框架自我演化。这种不动权重只调外围的路径，成本远低于微调或再训练，对算力有限的团队更具可操作性。产业层面，递归自我改进（RSI）一直是通向更强智能体的重要设想，谷歌以开源形式落地，可能推动这一方向从论文走向工程实践。需要留意的是，11.5 分的提升来自特定基准，实际开放场景中的泛化能力仍有待社区验证。后续走向上，若该框架被主流 Agent 开发框架集成，执行框架优化或将成为智能体技术栈的标准环节；与此同时，RSI 带来的行为不可预测性，也可能引发关于智能体安全边界的新一轮讨论。
核心观点：当模型能力趋同，执行框架成为新的优化维度，递归自我改进正在打开不训模型也能持续增益的空间。
原文链接：Linux.do
