10月18日，谷歌研究在GitHub上开源了Harness²框架，采用Apache 2.0许可，可本地运行且不需要调用接口密钥。这个框架要优化的对象不是模型权重，而是模型周围的“外壳”，也就是系统提示、安全护栏、记忆、工具使用指引、子智能体、技能、脚本与插件八个组件。项目同时公开了论文与配套基准，试图把“智能体环境”从手工调参的对象，变成一个可以被自动搜索和版本管理的工程产物。
核心机制被概括为提出、试探、组装三步。系统先给出若干配置修改建议，再在同一任务上测试多个变体，最后根据不同运行轨迹的行为差异，组装出一份更优的配置。整个过程不需要预先知道正确答案，也不依赖外部验证器给出的分数。这一点相当关键，因为现实中的大多数任务并没有标准答案，能拿到的只是“哪种做法看起来更顺”“哪次执行少绕了弯路”这类相对信号。
公开的测试结果给出了量级参考。在使用Gemini 3.5 Flash与GLM-5的实验中，单步优化最多带来WorkBuddy-Bench上11.5分、JobBench上4.5分的提升，LAB基准的部分通过率提升11.8个百分点，继续迭代还能进一步改善。需要说明的是，这些基准由项目方自己维护，外部复现的难度与结果一致性仍需观察。但即便打些折扣，单步优化就能换来两位数分的提升，说明当前智能体的瓶颈有相当一部分不在模型本身。
框架还设计了第二层递归：被接受的配置与经过运行验证的结论会被保留下来，供后续任务复用。它同时支持并行递归与串行递归，并兼容OpenCode与Codex两类执行器，意味着同一套方法可以挂到不同的智能体管线上，而不必改动模型。这种插件化的定位降低了 adoption 门槛，也让“环境优化”具备了跨模型迁移的可能——同一份提示与工具说明，换一个底座模型后或许只需微调。
从行业角度看，它把智能体能力拆成了两条独立的改进轴：模型能力与环境能力。过去提升效果主要靠更大的模型或更多的微调数据，成本高昂且周期长；现在则可以通过改写提示结构、补充记忆规则、细化工具说明来获得提升，代价主要是试错时间与评测算力。对预算有限但任务明确的团队，这条路径的性价比往往更高，尤其适合那些已经把流程跑通、只差稳定性的场景。
边界同样明显。没有标准答案的行为对比，容易对单一任务过拟合，也可能把偶然的成功固化成通用规则；配置越复杂，排查问题时的可解释性越差。因此版本管理、回归测试与人工评审仍然不可省略，所谓“自动进化”更像是一个高效的候选生成器，而不是替代工程师的判断。真正值得关注的，是这套方法能否在长周期、多任务的真实业务里保持增益，而不是只在基准榜上漂亮。
