AI 前沿
Google Research推出递归代理优化框架Harness2
Google Research相关发布介绍Harness2框架,用于在开放世界中递归优化AI代理外围系统。它在不改变模型权重的情况下,连接任务级和系统级递归,改进提示、工具、记忆、护栏等组件,并支持多种执行器和专业基准。
材料将harness定义为模型能够作为代理行动所需的外围系统,包括提示、工具、记忆、技能和编排等;harnessing则是优化该系统的过程。Harness2是即插即用框架,面向代理在设计阶段未见过的开放任务。
该框架包含两层递归。任务级递归通过“提出—探测—组合”的对比步骤,为当前任务改进执行harness:先提出修改,再在同一任务上探测效果,并依据不同执行之间的行为差异组合出更优版本,无需真值反馈。harnessing级递归则把已采用的方案和有证据支持的经验写入持久改进harness,以指导后续任务。
发布材料称,在三项专业基准和四种模型—harness配置中,单步Harness2即可让GLM-5和Gemini 3.5 Flash相对基础harness提升,WorkBuddy-Bench最高提高11.5分,JobBench提高4.5分,LAB部分通过率提高11.8个百分点;增加任务级递归预算还会带来进一步提升。
Harness2暴露系统提示、护栏、记忆、工具指导、子代理、技能、脚本和插件八个可编辑组件,用于控制上下文构建、工具接口、委派和工具循环内行为。发布版本支持并行与顺序递归、OpenCode和Codex执行器,以及JobBench、LAB和WorkBuddy-Bench。本地演示可在无需模型凭据的情况下运行确定性编辑器和真实Python执行,模型支持的基准运行则会产生API费用。