过去一年，提升大模型能力的主流思路几乎都是"砸数据、砸算力、重训一遍"。但 10 月 19 日，Google Research 开源的一个框架 Harness² 给出了另一条路：在推理阶段就让智能体递归地改进它自己的"外壳"——提示词、工具、记忆、技能、子智能体——而冻结模型权重本身。换句话说，模型不变，但模型运行的"环境与打法"可以自己越改越好。
什么是 Harness²
Harness² 读作"Harness squared"（平方），是一个 plug-and-play（即插即用）的智能体框架，采用 Apache-2.0 协议开源。它的核心是一个递归循环：智能体先执行任务，然后评估自己用得顺不顺手，再回头改写自己的 harness——也就是它调用工具的方式、记忆的写法、子任务的拆分策略、甚至prompt本身——接着用改好的版本再跑一遍。
关键点在于：整个过程中底层模型权重完全冻结。能力增长不来自更大的模型或更多训练，而来自"怎么用模型"这件事被智能体自己优化了一遍又一遍。
Google 公开的测试结果显示，这种方法在多个 benchmark 上能带来最多 11.8 个点 的提升。对于一个不增加任何训练成本、只改运行配置的框架来说，这个幅度相当可观。项目开源后短短几天，GitHub 仓库就积累了约 1.8k–2.7k 颗 star，在 LocalLLaMA 等社区引发了不小讨论。
为什么这件事值得关注
它戳中了当前 AI 工程的一个痛点：很多能力其实不在模型里，而在"模型被怎么编排"里。同样一个模型，配一套烂的工具调用流程可能频频出错，配一套好的流程却能稳定完成任务。过去这套流程靠人类工程师反复手调，Harness² 的思路是把"调流程"也交给智能体自己完成。
这跟传统 prompt engineering 的区别在于"递归"二字。普通提示词优化改一次就完了，Harness² 是改完再评估、评估完再改，形成一个自我增强的回路。理论上，只要评估信号可靠，这套回路可以一直跑下去。
与同类工作的区别
值得注意的是，智能体框架赛道最近很拥挤。前有 DeepSeek 的 Harness 系列（主打跨平台插件化 Agent 运行时），后有各种开源 Agent 编排库。但 Harness² 的差异化点在"递归自我改进 + 权重冻结"——它不试图做一个更强的底座，而是做一个能让现有底座越用越聪明的"操作系统层"。
从产业视角看，这意味着一种更便宜的能力获取方式：企业不必每次都重训或换更大的模型，而是用推理时的自我优化去榨干存量模型的潜力。在算力成本居高不下的当下，这条路径的经济性尤其突出。
风险与边界
当然，递归自我改进也不是没有隐忧。如果智能体可以改写自己的工具调用和记忆规则，那么"它改的方向是否仍然可控、是否会产生人类没预料到的副作用"就成了新的对齐问题。Google 目前的公开材料侧重于性能收益，关于安全护栏和长期稳定性的讨论还比较少。
但无论如何，Harness² 把"推理时优化"从一个边缘技巧，变成了有框架、有 benchmark、有开源实现的正式方向。对于做 Agent 落地的团队来说，这很可能是接下来几个月值得跟进的一条技术线。