谷歌在RSI领域取得了新突破，并将成果开源。

这个项目名为 Harness²，它能让大模型在运行过程中，自主修改外挂代码、系统提示词、工具链以及技能库。

没错，这正是Harness层面的递归自我改进（RSI）。

其效果相当显著。

GLM-5在接入Harness²后，在WorkBuddy-Bench办公基准测试中，综合得分直接跃升了11.5分。

瞬间超越了原生版本的Gemini 3.5 Flash。

整个过程无需更改模型权重，只需优化其外部的运行框架。

这是一种效果惊人的外挂手段，任何模型套用后，得分都能立刻飙升。

目前，该项目已完全开源，并已支持OpenCode和Codex。

为何“自我改进”总是失败

过去，业界为了让Agent变得更聪明，尝试过多种递归自我改进（RSI）方法。

思路听起来很理想：让AI自己写代码、修改提示词、优化系统。但一旦将其放入真实的开放环境，几乎都以失败告终。

原因何在？

主要卡在两个关键问题上：

缺乏标准答案。

在实验室刷题时有单元测试，有标准答案告诉你对错。但在真实工作场景中，撰写商业计划书、审核法律合同，线上根本无人为你评分。

AI自己修改了一版Prompt，它如何判断修改后是变得更聪明还是在胡编乱造？

过度拟合单一任务。

好不容易为了修复某个任务，对框架进行了魔改，结果下一个任务是编写爬虫，之前修改的规则全都成了负担。

直接将修改后的框架套用到下一个任务，系统很快就会陷入噪声螺旋，越改越差。

谷歌团队此次提出的Harness²，正是针对这两个关键问题开刀。

他们构建了一套双层递归架构。

双层递归：一边做实验，一边记笔记

Harness²名称中的“平方”，指的就是两层相互嵌套的递归循环：任务级递归和改进级递归。

第一层，任务级递归：在没有标准答案的情况下进行对照实验。

面对当前的新任务，系统先用初始框架运行出一个参考轨迹。这个结果正确与否暂且不论，核心是观察模型在执行过程中暴露了哪些缺陷。

随后，它会启动一套名为 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”，专门处理跨领域的常见问题，例如规划混乱、工具调用死循环、上下文溢出；

另一套是“领域专属修补”，专门针对当前业务的特定知识和约束。

Probe（探测）：

将这两套修改后的候选框架，重新放回同一个任务中分别运行。

没有裁判也没关系，系统会抓取它们的执行轨迹与参考轨迹进行行为对比。观察改动是否解决了之前卡住的步骤，是否引发了新的逻辑退化。

Compose（合成）：

合成器将所有执行证据汇总，挑选出那些被行为证据证明有效的改动，并将它们合并到最终的执行框架中。

这还没完。它还支持并行扩展，可以一次生成k组通用和领域候选方案，共2k个候选框架，并发探测后再进行k次独立合成，进一步扩大搜索范围。

第二层，改进级递归：将修改框架的经验沉淀为元能力。

当前任务完成、交付物交出后，许多系统的生命周期就结束了。

但Harness²真正厉害的地方在后面——

它将整个调试记录（包括参考轨迹、候选修改、对比证据、合成决策）交给反思模块。

反思模块复盘后，会编写一份EXPERIENCE.md文件，将这次为何这样修改、在什么条件下有效、带来了什么后果，清晰地存入持续改进经验库。

等到下一个新任务进来时：

执行端拿到的，依然是一个干净的基础框架。

但负责修改框架的“改进大脑”，手中已经掌握了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。

改进的不仅是眼前的框架，更是未来改进框架的能力。

这就将单次任务的临时修补，转变成了终身学习的认知资产。

跑分实测

机制讲得再好，最终也要用真实战场的数据来说话。

团队直接选用了三个分量十足的硬核职业基准：

WorkBuddy-Bench：涵盖代码、网页、办公套件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开源的最高级别法律智能体基准。

基础模型选用了Gemini 3.5 Flash和GLM-5，执行框架则选用了开源主流的OpenCode和Codex。

结果非常惊人。

在WorkBuddy-Bench测试中，仅进行单步Harness²改进：

GLM-5在OpenCode下综合得分从64.2飙升至75.7，暴涨11.5分；在Codex下也从64.4飙升至75.3。

Gemini 3.5 Flash在OpenCode下从72.4提升至77.5，在Codex下从74.5提升至77.5。

你看这个数据：

经过框架优化的GLM-5（75.7分 / 75.3分），直接击败了未优化框架的原版Gemini 3.5 Flash（72.4分 / 74.5分）。

在端到端岗位任务的JobBench上，单步改进同样带来了全面提升，Gemini 3.5 Flash上涨了4.5分，GLM-5上涨了3.6分；在法律基准LAB上，GLM-5的部分通过率直接提高了11.8个百分点。

如果将并行预算提升到k=5，性能还会进一步提升：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。

更令人惊叹的是经验库的跨领域迁移测试。

团队将在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，人们对AI的期待几乎全部押注在“基础模型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解了。

但现实给所有从业者泼了一盆冷水：基础模型越来越昂贵，边际效益正在放缓，而落地场景中的长尾问题依然无穷无尽。

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无法解决的。

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。

以前我们搭建框架，是工程师坐在电脑前一条一条手写Prompt、配置工具、修复管道，累得半死还到处漏风。

现在Harness²证明了一条新路：

将规则制定的权力，交还给Agent自己。

论文作者

最后，惯例介绍一下论文作者。

一共9位，而且华人比例极高，高达78%。

由于文章篇幅有限，这里按顺序介绍三位。

Ruiyao Xu，论文第一作者兼通讯作者。

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，正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年加入谷歌，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。

参考链接：

[1] https://arxiv.org/html/2610.14224v1

本文来自微信公众号“量子位”，作者：Jay，36氪经授权发布。