Google Research открыла Harness² для оптимизации конфигураций ИИ-агентов

Google Research открыла код Harness² — фреймворка, который позволяет ИИ-агентам самостоятельно улучшать не модель, а её «рабочую оболочку»: инструкции, память, навыки, инструменты и сценарии. Проект уже можно подключать к OpenCode и Codex.

Как агент улучшает себя

Harness² не переобучает модель и не изменяет её веса. Вместо этого он помогает агенту экспериментировать с собственной конфигурацией:

1. Агент предлагает несколько вариантов изменений.
2. Запускает их на одной и той же задаче.
3. Сравнивает, как разные варианты повлияли на выполнение.
4. Собирает более удачную конфигурацию из подтверждённых результатами изменений.
5. Сохраняет полезный опыт и использует его в следующих задачах.

Важная особенность подхода — для выбора изменений не обязательно иметь эталонный ответ. Система может ориентироваться на различия в поведении нескольких версий агента и на результаты их выполнения. (api.vc.ru)

Что именно можно менять

Фреймворк работает с восемью компонентами вокруг языковой модели:

• системными инструкциями;
• ограничениями безопасности;
• памятью;
• подсказками для инструментов;
• субагентами;
• «навыками»;
• скриптами;
• плагинами.

Они определяют, как агент формирует контекст, вызывает инструменты, делегирует задачи и действует в несколько этапов.

Harness² поддерживает два режима рекурсии:

• параллельный — агент одновременно проверяет несколько вариантов и ищет более широкий набор решений;
• последовательный — использует результат предыдущего шага для следующего раунда улучшений и постепенно углубляет оптимизацию.

Проект опубликован на GitHub, лицензия Apache 2.0. Они разрешает коммерческое использование. Harness² можно подключить к OpenCode и Codex.

Чем больше таких шагов, тем больше дополнительных запусков и обращений к модели требуется для одной задачи. Поэтому улучшение качества связано с ростом вычислительных затрат.

Какие результаты показала Google

Google Research протестировала Harness² на трёх наборах профессиональных задач — WorkBuddy-Bench, JobBench и LAB. В экспериментах использовали агентов на базе GLM-5 и Gemini 3.5 Flash, сравнивая конфигурации с фреймворком и без него.

После одного шага оптимизации результаты улучшились:

• до 11,5 балла на WorkBuddy-Bench;
• на 4,5 балла на JobBench;
• на 11,8 процентного пункта по частичной доле пройденных задач в LAB.

Увеличение бюджета рекурсии, по данным проекта, может дать дополнительный прирост.

Отдельно 36Kr пишет о тестировании Harness² в агенте на базе Jev 1.14: по словам разработчика Joseph Zhou, выполнение задач с визуальными данными улучшалось по мере того, как система корректировала инструкции и накапливала опыт. Это пользовательское наблюдение, а не результат независимого бенчмарка. (api.vc.ru)

Что важно знать перед использованием

Проект опубликован на GitHub под лицензией Apache 2.0, которая допускает коммерческое использование. Для локального запуска нужны Linux, Python 3.12 и uv; модельные эксперименты также требуют дополнительных зависимостей и могут повлечь расходы на API.

Есть и практические ограничения. В текущей конфигурации исполнитель по умолчанию имеет неограниченный сетевой доступ, а запуск через Codex выполняется без песочницы. Разработчики предупреждают, что при оценке на публичных бенчмарках агент может получить доступ к ответам или критериям проверки через интернет — для корректных экспериментов сетевые ограничения придётся настроить отдельно.

Google Research подчёркивает: Harness² — исследовательский проект, а не официально поддерживаемый продукт Google. Его главный интерес — показать, как агент может улучшать собственные инструкции и инструменты без изменения весов модели, но стоимость, безопасность и контроль таких изменений остаются отдельными инженерными задачами.