谷歌RSI新成果，开源了。
名叫Harness²，让大模型在运行中自己给自己魔改外挂代码、系统提示词、工具链和技能库。
(相关资料图)
是的，Harness层的RSI。
效果也是很猛。
GLM-5接入Harness²后，在办公基准WorkBuddy-Bench上，综合得分直接飙升11.5分。
瞬间反超原生Gemini 3.5 Flash。
整个过程无需修改模型权重，只需优化其外围的运行脚手架。
非常离谱的外挂，任何模型套上来，跑分都直接起飞了。
目前，该项目已全面开源，已支持OpenCode与Codex。
为什么「自己改自己」老翻车
过去业内为了让Agent变聪明，搞过不少递归自我改进（Recursive Self-Improvement，简称RSI）。
思路听起来很美：让AI自己写代码、自己改提示词、自己优化系统。但只要一放进真实的开放世界，几乎全军覆没。
为啥呢？
主要就卡在两道死穴上：
没有标准答案。
实验室里刷题有单元测试，有Ground Truth告诉你对不对。但到了真实打工场景，写一份商业企划案、审一份法律合同，线上根本没人给你打分。
AI自己改了一版Prompt，它怎么知道改完是变聪明了还是在瞎编？
过度拟合单次任务。
好不容易为了修某个任务把脚手架魔改了一通，结果下一个任务换成了写爬虫，之前改的规则全成了累赘。
直接把改完的脚手架硬套给下一个任务，系统很快就陷入噪声螺旋，越改越傻。
谷歌团队这次提出来的Harness²，就是专门冲着这两个死穴开刀的。
他们搭了一套双层递归架构。
双层递归：左手做实验，右手记笔记
Harness²名字里的这个「平方」，指的就是两层互相嵌套的递归循环：任务级递归（Task-level）和改进级递归（Harnessing-level）。
第 一层，任务级递归：在没有标准答案的情况下做对照实验。
面对眼前这个新任务，系统先用初始脚手架跑一版参考轨迹出来。这版结果对不对先不管，核心是看模型在执行过程中暴露出什么缺陷。
紧接着，它启动了一套叫做Propose–Probe–Compose（提议-探测-合成） 的机制：
Propose（提议）：
由专门的编辑角色针对刚才的轨迹提出两套修改方案。
一套是「通用缺陷修补」（Invariant），专门抓跨领域通用的毛病，比如规划混乱、工具调用死循环、上下文爆炸；
另一套是「领域专属修补」（Domain），专门针对当前业务的特定知识和约束。
Probe（探测）：
把这两套修改后的候选脚手架放回同一个任务里分别跑一遍。
没有裁判没关系，系统抓取它们的执行轨迹和参考轨迹做行为对比（Behavioral Contrast）。看改动到底有没有解决刚才卡住的步骤，有没有引发新的逻辑退化。
Compose（合成）：
合成器把所有执行证据摆在一起，挑出那些真正被行为证据证明有效的改动，把它们合并进最终的执行脚手架里。
这还不算完。它还支持并行扩展（Parallel Recursion），一次生成k组通用和领域候选方案，共2k个候选脚手架，并发探测后再进行k次独立合成，进一步拓宽搜索空间。
第二层，改进级递归：把改脚手架的经验沉淀成元能力。
当前任务做完了，交付物交出去了，很多系统的生命周期就到此为止了。
但Harness²真正厉害的在后头——
把整个调试记录（参考轨迹、候选修改、对比证据、合成决策）交给反思模块（Experience Reflector）。
反思模块复盘之后，会写一份EXPERIENCE.md，把这次为什么这么改、在什么条件下起效、带来了什么后果，清清楚楚存进持续改进经验库（Harness Improvement Library）。
等到下一个新任务进来时：
执行端拿到的，依然是一个干干净净的基础脚手架。
但是负责改脚手架的那个「改进大脑」，手里已经攥着厚厚的历史经验手册。在提议和合成阶段，它能直接检索过往相似场景下的有效组件和避坑指南。
改进的不只是眼前的脚手架，更是未来改进脚手架的能力。
这就把单次任务的临时修补，变成了终身学习的认知资产。
跑分实测
机制讲得再漂亮，终究得拿真实战场的数据说话。
团队直接上了三个极 具分量的硬核职业基准：
WorkBuddy-Bench：涵盖代码（Code）、网页（Web）、办公套件（Office）三大高难度办公工作流；
JobBench：长程端到端复杂专业岗位任务；
LAB：Harvey开源的顶 级法律智能体基准。
底座模型选了Gemini 3.5 Flash和GLM-5，执行脚手架挑了开源主流的OpenCode和Codex。
结果极其夸张。
在WorkBuddy-Bench测试里，仅仅进行单步Harness²改进（$k=1$）：
GLM-5在OpenCode下综合得分从64.2狂飙到75.7，暴涨11.5分；在Codex下也从64.4飙到了75.3。
Gemini 3.5 Flash在OpenCode下从72.4提升到77.5，在Codex下从74.5提升到77.5。
你看这个数据：
被优化过脚手架的GLM-5（75.7分 / 75.3分），直接把原版没改脚手架的Gemini 3.5 Flash（72.4分 / 74.5分）给干翻了。
在端到端岗位任务的JobBench上，单步改进同样带来全面提升，Gemini 3.5 Flash涨了4.5分，GLM-5涨了3.6分；在法律基准LAB上，GLM-5的部分通过率直接拔高了11.8个百分点。
如果把并行预算拉到 $k=5$（并发5路候选），性能还会进一步上扬：WorkBuddy-Bench最高再涨3.9分，JobBench再涨4.2分，LAB通过率再涨6.7个百分点。
更绝的是经验库的跨领域迁移测试。
团队把在JobBench上积累的经验库迁移到WorkBuddy-Bench，在不增加额外探测预算的情况下，辅助单步Harness改进，最终让代码、网页、办公三项得分分别再提高0.6分、0.5分和2.9分。
过去两年，大家对AI的期待几乎全部押注在「底座模型Scaling」上，总觉得只要等下一代GPT出来，手头的应用问题就迎刃而生了。
但现实给所有从业者泼了一盆冷水：基座模型越来越贵，边际效益在放缓，而落地场景里的长尾bug依然无穷无尽。
你给模型再大的上下文窗口，它在处理跨文件对账时依然会偷懒；你给它再高的跑分，它写完报告依然不会主动打开文件去校验格式。
这些东西，靠预训练参数是永远喂不饱的。
它需要的是一套能在运行中自我感知、自我修补、持续进化的Runtime认知工程。
以前我们搭脚手架，是工程师坐在电脑前一条一条手写Prompt、配工具、修管道，累得半死还到处漏风。
现在Harness²证明了一条新路：
把规则制定的权力，还给Agent自己。
论文作者
最后，照例来说说论文作者。
一共9位，而且华人浓度极高，高达78%。。。
由于文章篇幅有限，这里就按顺序介绍三位。
Ruiyao Xu，论文一作兼通讯作者。
美国西北大学统计与数据科学系博士生，导师为Kaize Ding。
主要研究方向包括大语言模型、图机器学习、异常检测及AI Agent系统。
这篇论文，便是他在谷歌实习期间的工作。
Yanfei Chen，Google Cloud AI Research资深研究工程师。
本科毕业于北京大学，主修电气工程与经济学，2018年获得美国匹兹堡大学工业工程博士学位。
此后曾在机器学习公司Qeexo担任研究工程师，2020年加入Google，参与过Vertex AI Search、Gemini Enterprise Deep Research等项目，主要研究大语言模型智能体、检索增强生成及工具学习。
Zhongying CuiZhu，也叫Zoey CuiZhu，Google Cloud AI Research研究工程师。
2019年获得斯坦福大学电气工程博士学位，主要研究通用智能体、可验证智能体及智能体质量评估。
营业执照公示信息