谷歌團隊開源咗一個叫 Harness² 嘅項目，核心思路係讓大模型喺運行過程中自己修改自身嘅「外掛」——包括系統提示詞（system prompt）、工具鏈同技能庫。呢個係所謂 Harness 層嘅遞歸自我改進（Recursive Self-Improvement，RSI）。
過去業界試過不少 RSI，但普遍喺真實場景翻車，主要卡喺兩個地方：第一，開放世界冇標準答案，模型改完 prompt 唔知係變聰明定係瞎改；第二，為修某單個任務而改嘅規則，換任務就全成累贅，系統越改越亂。
Harness² 用一套雙層遞歸架構對症下藥。第一層係任務級：系統先用初始配置跑一版參考軌跡，再啟動 Propose–Probe–Compose 機制——針對暴露嘅缺陷提出通用同領域兩套修改，將修改後嘅版本放回同一任務做行為對比，再將被證據證明有效嘅改動合併進最終配置。第二層係改進級：任務完成後，整個除錯記錄會被交予反思模組，寫成一份經驗檔案存進持續改進庫，令系統喺處理新任務時能檢索過往有效做法，將單次修補轉為可轉移嘅認知資產。
跑分數據由團隊喺三個基準上測試：WorkBuddy-Bench（涵蓋程式碼、網頁同辦公套件）、JobBench（端到端專業崗位任務）、LAB（Harvey 開源嘅法律智能體基準）。測試用 Gemini 3.5 Flash 同 GLM-5 作底座，執行腳手架（即運行時工具鏈與編排框架）用 OpenCode 同 Codex。
官方數據顯示，單步 Harness² 改進後，GLM-5 喺 WorkBuddy-Bench（OpenCode）由 64.2 升至 75.7，升幅 11.5 分，直接反超原生 Gemini 3.5 Flash（72.4）。JobBench 上 GLM-5 升 3.6 分，LAB 上部分通過率升 11.8 個百分點。將 JobBench 累積嘅經驗庫直接遷移到 WorkBuddy-Bench，唔做額外探測下，程式碼、網頁、辦公三項分別升 0.6、0.5、2.9 分。
需要留意：呢啲數字全部出自谷歌團隊嘅內部測試，唔代表獨立第三方驗證，亦未見本站實測。
另外，篇論文有 9 位作者，據報道華裔作者佔約 78%。一作 Ruiyao Xu 係美國西北大學博士研讀生，該工作為其喺谷歌期間嘅研究成果；Yanfei Chen 及 Zhongying CuiZhu 皆為 Google Cloud AI Research 研究人員。
模姐驗嚇貨：「讓 Agent 自己改自己」呢個方向值得關注，但「自調教」同「有紀律嘅實驗循環」係兩回事。Harness² 嘅價值在於將改動嵌入可驗證嘅對比框架，而非令模型放任自流。基座模型嘅長尾能力缺口究竟靠預訓練定靠運行時工程解決，呢個問題值得持續追蹤。
