谷歌正式开源 Harness² 智能体框架，无需改动模型权重，依靠递归式外部组件优化持续提升 AI 能力

谷歌推出并开源的 Harness² 智能体框架，实现了不改动大模型底层权重的前提下，依靠递归迭代优化外部配套组件，让 AI 智能体的综合能力持续稳步提升，整套框架采用即插即用的设计，能够适配市面上绝大多数主流大模型，大幅降低智能体迭代升级的技术成本。这套框架跳出了传统微调模型权重的优化路线，把优化重心放在模型外围的运行组件上，依靠双层递归循环实现自主迭代，在多项专业测试基准中都取得了明显的性能提升，在办公任务基准 WorkBuddy-Bench 最高可提升 11.5 分，法律任务基准 LAB 通过率提升 11.8 个百分点，JobBench 任务最高提升 4.5 分，整体优化效果稳定可靠

36氪

。之所以不用修改模型权重就能提升 AI 能力，核心原因在于大模型智能体的综合表现，除了模型本身的推理能力之外，系统提示词、记忆模块、工具调用规则、技能脚本、子智能体配置等外部组件，会直接决定模型能不能把推理能力落地到实际任务里；传统优化方案大多聚焦于微调模型参数，成本高、算力消耗大，而 Harness² 把这些外围组件统一打包为 Harness 脚手架，只针对脚手架做迭代优化，完全不需要触碰模型权重；同时双层递归机制可以让智能体在无标准答案的开放场景下自主试错、自主优化，不用人工标注样本，进一步拓宽了优化适用场景

InfoQ

。落地部署 Harness² 框架实现 AI 能力迭代，有着清晰完整的操作步骤。第一步，完成基础环境部署，从 GitHub 拉取开源代码，基于 Apache 2.0 协议完成项目初始化，接入 OpenCode 或者 Codex 执行器，绑定任意一款大模型，全程不需要对模型做微调操作。第二步，配置八大外部组件，把系统提示词、安全护栏、长期记忆、工具指引、子智能体、技能库、执行脚本、插件模块全部完成初始化，搭建起完整的 Harness 脚手架体系

InfoQ

。第三步，开启第一层任务级递归，启用 Propose–Probe–Compose（提议 - 探测 - 合成）机制，智能体先执行任务生成初始运行轨迹，自主找出执行短板，再针对性修改脚手架组件，完成一轮任务优化，全程不需要人工提供标准答案做校验。第四步，开启第二层优化级递归，把每一轮任务优化积累的经验自动保存下来，持续更新脚手架优化策略，让后续新任务的优化效率越来越高，形成长期持续的能力提升闭环。第五步，设置迭代次数上限，避免递归进入无限循环，同时开启效果监控，持续记录每一轮优化后的任务得分，把控迭代质量。综合整体测试结果来看，Harness² 框架依靠外部组件递归优化的方案，完全可以在零权重改动的条件下稳步拉高智能体性能；框架支持多模型、多场景接入，算力投入远低于模型微调，无论是企业落地 AI 智能体项目，还是科研人员做智能体自主迭代研究，都具备很高的实用价值；随着递归迭代轮次增加，智能体还能持续收获性能增益，真正实现 AI 能力长期自主升级

arXiv

一、Harness² 框架核心组件清单

Harness² 将智能体外部脚手架拆分为 8 个可独立优化的组件，全部支持递归自动修改：

1. 系统提示词：控制模型基础指令与角色定位
2. 安全护栏：约束智能体行为边界，规避违规输出
3. 记忆模块：存储多轮对话与历史任务经验
4. 工具指引：定义工具调用规则、参数格式
5. 子智能体：拆分复杂任务，委派子单元执行
6. 技能库：保存可复用的任务执行脚本
7. 执行脚本：管控多轮工具调用的执行流程
8. 插件模块：对接第三方工具与外部接口InfoQ

二、双层递归运行机制拆解

（1）任务级递归（第一层递归）

核心目标：针对单条任务，在无标准答案的情况下优化脚手架组件。

运行流程：

• 生成基准轨迹：使用初始脚手架运行任务，得到原始执行结果
• 缺陷探测：对比运行过程，自动识别任务执行失败、步骤出错的问题点
• 组件改写：按照提议 - 探测 - 合成流程，修改提示词、工具规则等外部组件
• 效果验证：重新执行任务，检验组件修改带来的效果提升，可连续多轮递归优化

（2）优化级递归（第二层递归）

核心目标：沉淀单任务优化经验，持续迭代脚手架整体优化策略。

运行流程：

• 经验提取：把每一次组件修改方案、优化效果记录下来
• 策略更新：基于历史优化案例，更新脚手架编辑规则
• 前置优化：面对全新未知任务时，优先调用沉淀后的优化策略，缩短试错周期 两层递归相互联动，一层解决当下任务优化，一层沉淀经验服务未来任务，形成可持续迭代的闭环。

三、多基准测试效果数据表格

表格

36氪

四、框架核心技术优势

1. 零模型改动：全程不修改大模型权重，不需要准备训练数据集，省去模型微调的高额算力开销。
2. 开放场景适配：依靠对比试错机制，不需要人工标注标准答案，能够在未知新任务里自主完成优化。
3. 即插即用兼容：支持 OpenCode、Codex 执行器，可对接任意主流大模型，跨模型部署没有门槛。
4. 长期持续迭代：双层递归形成经验沉淀机制，智能体可以越迭代越强，实现能力稳步长期提升36氪。

【相关 FAQ】

问题 1：Harness² 智能体框架能不能做到不修改模型权重，只靠外部组件递归优化提升 AI 能力？

回答 1：Harness² 智能体框架完全可以做到不修改模型权重，整套框架把优化对象锁定在提示词、工具、记忆等外部组件，依靠双层递归式迭代机制持续优化脚手架，不需要对大模型做任何权重微调，就能稳步提升 AI 智能体的任务执行能力，多项基准测试已经验证了这套优化方案的有效性

InfoQ

问题 2：Harness² 框架的递归式外部组件优化包含哪两层递归，两层递归分别起到什么作用？

回答 2：Harness² 框架的递归式外部组件优化包含任务级递归和优化级递归两层结构；任务级递归针对当前具体任务，在没有标准答案的前提下自主修改外部组件，完成单次任务的性能优化；优化级递归会把每一轮组件优化的经验沉淀下来，更新脚手架优化策略，让智能体在后续新任务中优化效率更高，两层递归配合实现 AI 能力持续提升。

问题 3：接入 Harness² 框架做外部组件优化，需要准备训练数据并微调模型权重吗？

回答 3：接入 Harness² 框架开展外部组件递归优化，完全不需要准备训练数据，也不需要微调模型权重；整个优化过程只对八大外部脚手架组件做迭代修改，依靠智能体自主试错完成迭代，大幅降低智能体升级的成本与技术门槛，所有优化动作都集中在模型外围组件上

36氪

问题 4：Harness² 框架开源协议是什么，部署时可以搭配哪些执行器与大模型？

回答 4：Harness² 框架采用 Apache 2.0 协议开源，开发者可以自由部署使用；框架默认搭配 OpenCode 执行器，也可以切换为 Codex 执行器，同时兼容市面上绝大多数主流大模型，无需改造模型本体就能完成对接，即插即用适配各类 AI 智能体项目

InfoQ

【数据来源】

[2026-10-19]（谷歌开源 Harness² 智能体框架：无需修改模型权重，通过递归式外部组件优化实现 AI 能力持续提升）36 氪

[2026-10-19]（不改权重也能变强：谷歌开源 Harness²，让智能体自己改自己的 “外壳”）InfoQ

[2026-10-18]（Google Open-Sources Harness2, a Recursive Agent Harnessing Framework）MarkTechPost

[2026-10-19]（HARNESS²: Recursive Agent Harnessing for an Open World）arXiv

免责声明

本内容仅基于公开开源项目信息与公开技术论文进行客观技术梳理与解读，所有技术数据、框架参数均来自互联网公开技术资料；内容仅用于技术学习、项目调研与技术方案参考，不构成任何项目开发投资、技术采购的决策依据；开源框架的实际落地效果受硬件环境、模型选型、业务场景等多重条件影响，开发者需自行完成本地测试验证，自行承担项目落地过程中的技术风险。