Jay 发自 凹非寺 量子位 | 公众号 QbitAI
谷歌 RSI 新成果，开源了。
名叫 Harness ，让大模型在运行中自己给自己魔改外挂代码、系统提示词、工具链和技能库。
是的，Harness 层的 RSI。
效果也是很猛。
GLM-5 接入 Harness 后，在办公基准 WorkBuddy-Bench 上，综合得分直接飙升 11.5 分。
瞬间反超原生 Gemini 3.5 Flash。
整个过程无需修改模型权重，只需优化其外围的运行脚手架。
非常离谱的外挂，任何模型套上来，跑分都直接起飞了。
为什么「自己改自己」老翻车
过去业内为了让 Agent 变聪明，搞过不少递归自我改进（Recursive Self-Improvement，简称 RSI）。
思路听起来很美：让 AI 自己写代码、自己改提示词、自己优化系统。但只要一放进真实的开放世界，几乎全军覆没。
为啥呢？
主要就卡在两道死穴上：
没有标准答案。
实验室里刷题有单元测试，有 Ground Truth 告诉你对不对。但到了真实打工场景，写一份商业企划案、审一份法律合同，线上根本没人给你打分。
AI 自己改了一版 Prompt，它怎么知道改完是变聪明了还是在瞎编？
过度拟合单次任务。
好不容易为了修某个任务把脚手架魔改了一通，结果下一个任务换成了写爬虫，之前改的规则全成了累赘。
直接把改完的脚手架硬套给下一个任务，系统很快就陷入噪声螺旋，越改越傻。
谷歌团队这次提出来的 Harness ，就是专门冲着这两个死穴开刀的。
他们搭了一套双层递归架构。
双层递归：左手做实验，右手记笔记
Harness 名字里的这个「平方」，指的就是两层互相嵌套的递归循环：任务级递归（Task-level）和改进级递归（Harnessing-level）。
第一层，任务级递归：在没有标准答案的情况下做对照实验。
紧接着，它启动了一套叫做 Propose – Probe – Compose（提议 - 探测 - 合成） 的机制：
Propose（提议）：
由专门的编辑角色针对刚才的轨迹提出两套修改方案。
一套是「通用缺陷修补」（Invariant），专门抓跨领域通用的毛病，比如规划混乱、工具调用死循环、上下文爆炸；
另一套是「领域专属修补」（Domain），专门针对当前业务的特定知识和约束。
Probe（探测）：
把这两套修改后的候选脚手架放回同一个任务里分别跑一遍。
没有裁判没关系，系统抓取它们的执行轨迹和参考轨迹做行为对比（Behavioral Contrast）。看改动到底有没有解决刚才卡住的步骤，有没有引发新的逻辑退化。
Compose（合成）：
合成器把所有执行证据摆在一起，挑出那些真正被行为证据证明有效的改动，把它们合并进最终的执行脚手架里。
这还不算完。它还支持并行扩展（Parallel Recursion），一次生成 k 组通用和领域候选方案，共 2k 个候选脚手架，并发探测后再进行 k 次独立合成，进一步拓宽搜索空间。
第二层，改进级递归：把改脚手架的经验沉淀成元能力。
但 Harness 真正厉害的在后头——
把整个调试记录（参考轨迹、候选修改、对比证据、合成决策）交给反思模块（Experience Reflector）。
反思模块复盘之后，会写一份 EXPERIENCE.md，把这次为什么这么改、在什么条件下起效、带来了什么后果，清清楚楚存进持续改进经验库（Harness Improvement Library）。
等到下一个新任务进来时：
执行端拿到的，依然是一个干干净净的基础脚手架。
但是负责改脚手架的那个「改进大脑」，手里已经攥着厚厚的历史经验手册。在提议和合成阶段，它能直接检索过往相似场景下的有效组件和避坑指南。
改进的不只是眼前的脚手架，更是未来改进脚手架的能力。
这就把单次任务的临时修补，变成了终身学习的认知资产。
跑分实测
机制讲得再漂亮，终究得拿真实战场的数据说话。
团队直接上了三个极具分量的硬核职业基准：
WorkBuddy-Bench：涵盖代码（Code）、网页（Web）、办公套件（Office）三大高难度办公工作流；
JobBench：长程端到端复杂专业岗位任务；
LAB：Harvey 开源的顶级法律智能体基准。
底座模型选了 Gemini 3.5 Flash 和 GLM-5，执行脚手架挑了开源主流的 OpenCode 和 Codex。
结果极其夸张。
在 WorkBuddy-Bench 测试里，仅仅进行单步 Harness 改进（$k=1$）：
GLM-5 在 OpenCode 下综合得分从 64.2 狂飙到 75.7，暴涨 11.5 分；在 Codex 下也从 64.4 飙到了 75.3。
Gemini 3.5 Flash 在 OpenCode 下从 72.4 提升到 77.5，在 Codex 下从 74.5 提升到 77.5。
被优化过脚手架的 GLM-5（75.7 分 / 75.3 分），直接把原版没改脚手架的 Gemini 3.5 Flash（72.4 分 / 74.5 分）给干翻了。
在端到端岗位任务的 JobBench 上，单步改进同样带来全面提升，Gemini 3.5 Flash 涨了 4.5 分，GLM-5 涨了 3.6 分；在法律基准 LAB 上，GLM-5 的部分通过率直接拔高了 11.8 个百分点。
如果把并行预算拉到 $k=5$（并发 5 路候选），性能还会进一步上扬：WorkBuddy-Bench 最高再涨 3.9 分，JobBench 再涨 4.2 分，LAB 通过率再涨 6.7 个百分点。
团队把在 JobBench 上积累的经验库迁移到 WorkBuddy-Bench，在不增加额外探测预算的情况下，辅助单步 Harness 改进，最终让代码、网页、办公三项得分分别再提高 0.6 分、0.5 分和 2.9 分。
但现实给所有从业者泼了一盆冷水：基座模型越来越贵，边际效益在放缓，而落地场景里的长尾 bug 依然无穷无尽。
你给模型再大的上下文窗口，它在处理跨文件对账时依然会偷懒；你给它再高的跑分，它写完报告依然不会主动打开文件去校验格式。
这些东西，靠预训练参数是永远喂不饱的。
它需要的是一套能在运行中自我感知、自我修补、持续进化的 Runtime 认知工程。
以前我们搭脚手架，是工程师坐在电脑前一条一条手写 Prompt、配工具、修管道，累得半死还到处漏风。
现在 Harness 证明了一条新路：
把规则制定的权力，还给 Agent 自己。
论文作者
最后，照例来说说论文作者。
一共 9 位，而且华人浓度极高，高达 78%。。。
由于文章篇幅有限，这里就按顺序介绍三位。
Ruiyao Xu，论文一作兼通讯作者。
美国西北大学统计与数据科学系博士生，导师为 Kaize Ding。
主要研究方向包括大语言模型、图机器学习、异常检测及 AI Agent 系统。
这篇论文，便是他在谷歌实习期间的工作。
Yanfei Chen，Google Cloud AI Research 资深研究工程师。
此后曾在机器学习公司 Qeexo 担任研究工程师，2020 年加入 Google，参与过 Vertex AI Search、Gemini Enterprise Deep Research 等项目，主要研究大语言模型智能体、检索增强生成及工具学习。
Zhongying CuiZhu，也叫 Zoey CuiZhu，Google Cloud AI Research 研究工程师。
参考链接：
[ 1 ] https://arxiv.org/html/2610.14224v1
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
