谷歌开源Harness2，AI代理自己改自己的配置

先解释一个词。harness 是模型周围的一整层配置，包括系统提示、工具、记忆、技能和子代理。传统做法里，人设计好这一整套，代理接任何新任务都用同一套固定设置。Harness2 改的是这个环节：代理自己为当前任务修改 harness。

工作方式是试出来的。代理提出几套改动，各跑一遍，比较结果，留下表现更好的一套。整个过程不需要正确答案或评分器，模型权重也保持不动。每次编辑动的都是外层配置，不是模型本身。

Harness2 还带跨任务记忆。一个任务中学到的东西会延续到下一个任务。任务完成后，改进后的 harness 和有价值的经验会被保存。下一次编辑会从更聪明的起点开始，不用从零再来。

谷歌用 Gemini 3.5 Flash 和 GLM-5 做了测试。基准是法律、办公室、专业工作。只编辑一轮就超过原始 harness，轮次越多，分数越高。代码在 github.com/google-research/harness2。

评论区有质疑，也有人直接上手。有人问为什么测试选 GLM-5。有人提醒，谷歌展示新软件用的模型大约是半年前的版本。有人把这比作谷歌版的 OpenClaw / Hermes。还有人说自己已经用 Qwen 为 pi 做了扩展。

更硬的质疑来自基准测试本身。一位评论者说，Poetiq 已经证明这类机制会让基准基本失去意义。原因是 harness 可能对任务过度拟合，分数高不代表真实场景里好用。测试中的高分，可能只是优化收敛到特定任务上的结果。

另一个角度来自企业。重复性任务，比如客户服务，现在反而是例外。剩下的工作越来越非标准化，能随任务调整自身配置的代理，方向可能更贴近实际状态。

也有人把这归类为自动研究。

代码开放之后，最值得看的，是社区在真实任务上跑出来的结果。