harness 也能递归改进自己：Harness 平方一步最多涨 11.5 分

harness 决定了 agent 的上限，这话近半年被反复验证：同一个模型换个好 harness 就能多出十几分，harness 的质量差距甚至大于模型代差，这是很多团队没意识到的。但 harness 自己谁来改？Google Cloud AI Research 的 Harness^2（arXiv 2610.14224，作者 Ruiyao Xu、Tomas Pfister 等，10 月 9 日放榜）给了一个系统答案：让 harness 通过递归自改进来优化自身，而且是即插即用的。这个方向的意义在于把 harness 从手工调优的工件变成可自进化的系统组件。

双层递归

框架解决两个拦路虎。第一，开放世界的新任务没有真值验证器，RSI 缺少引导编辑的信号，不知道改动是变好还是变坏；第二，现有 RSI 方法多是任务定制的，改进换个场景就失效，等于每个任务从零再来。框架名为即插即用，接法不侵入既有 harness，原架构照常运行。任务级递归用提出-探测-组合三步对比来导航 harness 编辑：先提出候选修改，探测修改后行为差异，再组合出最优方向，不需要验证器也能判断改动好坏，支持并行或串行扩展，多任务的改进信号可以同时积累。harness 级递归从这些编辑经验中提炼通用规律，更新一个持续改进的上层 harness，使其更会适配未来的新任务。用个类比：不只修好一道题，还修好会修题的那只手，下次换题也能直接上手。

实测数字

在三个专业基准和四个模型组合上交叉验证，单步改进就能让 GLM-5 与 Gemini 3.5 Flash 超过各自的基线 harness：WorkBuddy-Bench 最高提升 11.5 分，LAB 提升 11.8 个百分点，JobBench 提升 4.5 分，加大递归预算还有额外增益，收益随递归深度未封顶。这个提升幅度意味着，在不换模型、不改底层能力的前提下，纯 harness 层的自动优化就有两位数的提升空间，对预算有限的团队这是最便宜的涨分路径。

放进 harness 工程的图景

把这份工作放进我们此前梳理的 harness 工程图景：WebFovea 证明了 harness 常是故障源，AgentSWE 证明了 agent 造 agent 靠不住，Harness^2 则证明 harness 的自我改进可以系统化，三者合起来正好构成一个完整的自改进闭环该有的问题意识。对自建 harness 的团队，双层递归的架构可以直接套用：任务级先做对比实验收集改进信号，上层建一个持续学习的改进 harness，改 harness 这件事本身也变成可以被 harness 管理的任务。论文未附代码仓库，方法细节以 PDF 为准，思路本身已经足够可落地，差一个周末的工程时间。