# Harness^2：递归自进化智能体Harnessing框架
Harness^2 是一个用于开放世界中递归智能体操控（Recursive Agent Harnessing） 的即插即用框架，旨在解决大语言模型智能体在缺乏标准答案 verifiers 的开放环境中面临的任务特定性与泛化难题。该框架通过任务级递归（Task-level recursion） 引入基于对比的"提出-探测-组合"步骤，在没有真实标签的情况下可靠地优化当前执行操控（execution harness），并可通过并行或顺序扩展提升效果。同时，它通过操控级递归（Harnessing-level recursion） 在任务完成后更新持续改进操控库（continual improvement harness） ，提取可复用的经验和教训以指导未来的操控优化。在多个专业基准测试和模型配置中，Harness^2 在无需改变基础模型权重的前提下，显著超越了基线方法并展示了出色的跨任务泛化与自适应能力。
论文的核心结论可以归纳为范式突破 、机制创新 与实证表现三个维度：
1. 范式突破：智能体性能不仅取决于模型，更取决于 Harness 的持续自我演进
- 智能体框架的定义 ：大语言模型智能体的能力不仅取决于基座模型本身，还极大程度上取决于围绕模型构建的 Harness（执行框架/脚手架），即 Prompt、记忆、技能、工具以及编排逻辑等。
- 解决开放世界两大难题：传统 Harness 优化依赖固定的验证集或 Ground-Truth 评测器，且针对单一任务的修改难以泛化。论文证明，通过在无 Ground-Truth 标签的开放世界（Open World）中对 Harness 进行动态优化，冻结参数的基座模型能够实现持续的自主自我改进。
2. 机制创新：通过双层协同递归实现"当前任务优化"与"未来能力累积"
- 任务级递归（Task-Level Recursion） ：在缺乏 Ground-Truth 验证器的情况下，提出了对比式的 Propose--Probe--Compose（提出-探针测试-选择组合） 机制 。通过并行（Parallel）或顺序（Sequential）递归扩展探索预算 kk，在不破坏全局表现的前提下可靠地精炼当前任务的执行 Harness 。
- Harness 级递归（Harnessing-Level Recursion） ：任务完成后，系统提炼出优化过程中的经验与可复用组件，存入持续改进库（Harness Improvement Library）。这使得智能体不仅优化了当前任务的执行 Harness，还升级了未来优化 Harness 的能力。
3. 实证结论：跨基准测试的显著提升与测试时 Scaling 效应
- 显著提升基线表现：在三大专业领域基准测试（WorkBuddy-Bench 办公/代码、JobBench 综合职业任务、LAB 法律任务）及 4 种模型-初始 Harness 配置下，仅需单步改进即可在 Base Harness 之上取得显著提升（例如 GLM-5 在 WorkBuddy-Bench 上提升高达 11.5 分，JobBench 提升 4.5 分，LAB 提升 11.8 个百分点）。
- 单调扩展性（Test-Time Scaling）：随着任务级递归预算 kk 的增加（无论并行还是顺序递归），智能体表现呈现单调持续增长，性能优于 ReasoningBank、Harness Scaling 和 Meta-Harness 等基线方法，且处于更优的算力-性能 Pareto 前沿上。
- 较弱模型逆袭强模型：使用优化后 Harness 的较弱基座模型（如 GLM-5），其最终表现可以超越使用原始 Harness 的更强基座模型（如 Gemini 3.5 Flash）。
- 同模型独立自主演进：当同一个模型（如 Opus 5、GLM-5、Gemini 3.5 Flash 等）同时充当执行者（Executor）和编辑者（Editor）时，依然能取得全面提升，证明 Harness 优化无需强行依赖更高级的外置 Meta-Editor。
4. 扩展发现：经验可迁移与工具调用可靠性增强
- 跨任务与跨领域迁移：Harness 级递归积累的改进库具备很强的跨任务泛化能力；即使将从 JobBench 上积累的经验库直接迁移至 WorkBuddy-Bench，也能在不进行额外探针测试的情况下提升新任务的优化效率。
- 降低工具错误率：在提升任务完成质量的同时，Harness^2 在所有测试基准上均显著降低了智能体的工具调用错误率（Tool-error rate）。