В мире искусственного интеллекта доминирует нарратив о бесконечном росте параметров. Кажется, что единственный путь к более умным агентам — это тренировать всё большие и большие языковые модели (LLM), требующие колоссальных вычислительных ресурсов. Однако Google Research предлагает альтернативный, более элегантный подход. Они открыли исходный код фреймворка Harness², который доказывает: агент может стать значительно умнее не за счет улучшения самой модели, а за счет оптимизации всего, что её окружает. Это не просто еще одна библиотека для разработчиков, а фундаментальный сдвиг в парадигме построения AI-инфраструктуры.
Суть идеи проста, но революционна по своим последствиям. Вместо того чтобы тратить недели на дообучение модели на новых данных, Harness² позволяет «настраивать» поведение агента в реальном времени. Он работает с замороженными весами модели, фокусируясь на промптах, инструментах, памяти и логике оркестрации. Если вы когда-либо сталкивались с тем, что мощный LLM делает глупые ошибки из-за плохой инструкции или неверного выбора инструмента, Harness² предлагает системное решение этой проблемы. Это переход от «поиска лучшей модели» к «поиску лучшего контекста».
01Что такое Harness² и почему это не просто промпт-инжиниринг?
Чтобы понять масштаб инновации, нужно четко разграничить понятия. Традиционный промпт-инжиниринг часто сводится к написанию одного-двух текстовых инструкций. Harness² же представляет собой рекурсивный фреймворк для агентов, который рассматривает « Harness» (оправу, обрамление) как сложную систему. В терминологии Google, Harness — это всё, что находится вокруг модели: системные промпты, правила безопасности (guardrails), механизмы памяти, инструкции для инструментов, субагенты, навыки (skills), скрипты и плагины.
Ключевая особенность Harness² заключается в том, что он не требует обучения. В нем 0 обучаемых параметров. Вместо этого фреймворк предлагает 8 редактируемых компонентов, каждый из которых может быть смонтирован как отдельный файл. Процесс «harnessing» (оптимизации обрамления) происходит во время развертывания. Это критически важно для сценариев «открытого мира», где задачи непредсказуемы, а верификаторы правильности ответа отсутствуют. Большинство существующих методов самосовершенствования полагаются на наличие меток или тестовых случаев, чего часто нет в реальных бизнес-задачах. Harness² же учится на основе наблюдаемого поведения агента.
Фреймворк позиционируется как plug-and-play решение. Разработчики могут интегрировать его в свои пайплайны, и он начнет автоматически предлагать улучшения на основе предыдущих неудач и успехов агента. Это снижает порог входа для создания надежных AI-агентов, так как часть интеллектуальной работы по настройке контекста берет на себя сам фреймворк.
02Архитектура: 8 компонентов, которые можно редактировать
Google Research расширила свою предыдущую работу по инженерии агентов, увеличив количество управляемых компонентов с семи до восьми. Эти компоненты образуют полный цикл взаимодействия агента с внешним миром. Давайте разберем каждый из них, чтобы понять, где именно происходит магия улучшения.
- System Prompt (Системный промпт): Базовая инструкция, определяющая роль, тон и границы ответственности агента. Это фундамент, на котором строится всё поведение.
- Guardrails (Стражи/Ограничители): Правила безопасности и этические ограничения. Они предотвращают генерацию вредоносного контента или выход за рамки разрешенных действий.
- Memory (Память): Механизмы хранения контекста. Это может быть краткосрочная память (контекстное окно) или долгосрочная база знаний, к которой агент обращается для получения исторических данных.
- Tool Guidance (Инструкции для инструментов): Четкие указания, когда и как использовать доступные инструменты (API, поиск в интернете, калькуляторы). Ошибки здесь — одна из самых частых причин провалов агентов.
- Subagents (Субагенты): Возможность делегирования части задачи специализированным под-агентам. Это позволяет разбивать сложные задачи на управляемые этапы.
- Skills (Навыки): Специализированные модули или функции, которые агент может вызывать. Например, навык «написать код на Python» или «проанализировать PDF».
- Scripts (Скрипты): Автоматизированные последовательности действий, которые агент может выполнять без вмешательства LLM для повышения эффективности.
- Plugins (Плагины/Мiddleware): Внешние модули, расширяющие функциональность агента. Они работают как промежуточное ПО, обрабатывая данные до или после обращения к модели.
Каждый из этих компонентов хранится в виде файла. Это делает систему прозрачной, отлаживаемой и версионируемой. Разработчик может видеть, какой именно файл был изменен, чтобы улучшить результат, и откатить изменения, если они привели к ухудшению качества.

03Как работает рекурсивная оптимизация: Propose, Probe, Compose
Сердце Harness² — это алгоритм рекурсивной оптимизации. Он работает на двух уровнях: рекурсия на уровне задачи и рекурсия на уровне самого фреймворка. Этот процесс позволяет агенту учиться на своих ошибках без участия человека.
Рекурсия на уровне задачи (Task-level recursion) использует контрастивный метод, состоящий из трех шагов: Propose (Предложить), Probe (Протестировать) и Compose (Собрать/Выбрать). Сначала агент выполняет задачу с базовым набором инструкций. Затем редактор (внутренний механизм Harness²) предлагает два кандидата на улучшение:
- Инвариантный кандидат: Нацелен на общие проблемы, такие как плохое планирование или неверное использование инструментов, которые встречаются в разных доменах.
- Доменный кандидат: Нацелен на специфические знания и процедуры, необходимые именно для текущей задачи.
Оба кандидата запускаются на той же задаче. Композитор сравнивает траектории выполнения (как агент действовал) с эталонным поведением и оставляет только те изменения, которые действительно привели к лучшему результату. Это заменяет необходимость в ручных метках правильности ответа.
Рекурсия на уровне фреймворка (Harnessing-level recursion) происходит после завершения каждой задачи. Рефлектор сохраняет принятый набор инструкций и создает файл EXPERIENCE.md — библиотеку уроков. Этот файл содержит извлеченные уроки и становится руководством для будущих предложений. Важно отметить, что каждая новая задача начинается с базового набора инструкций, но библиотека уроков помогает быстрее находить оптимальные решения.
04Результаты тестирования: насколько это эффективно?
Чтобы оценить реальную пользу Harness², исследователи протестировали его на трех профессиональных бенчмарках: WorkBuddy-Bench, JobBench и LAB (от Harvey). В качестве исполнителей (executors) использовались модели Gemini 3.5 Flash и GLM-5 (через интерфейсы OpenCode и Codex). Базовым редактором выступала Claude Opus 4.8.
Результаты оказались впечатляющими, особенно для менее мощных моделей. Вот ключевые цифры:

- GLM-5 под OpenCode: На бенчмарке WorkBuddy-Bench результат вырос с 64.2 до 75.7 (+11.5 баллов) всего за один шаг рефайнмента. Это значительный скачок, который позволил GLM-5 превзойти базовую Gemini 3.5 Flash.
- Gemini 3.5 Flash под OpenCode: Улучшение с 72.4 до 77.5 на WorkBuddy-Bench. При использовании параллельной рекурсии с k=5 результат достиг 80.8.
- Эффективность: На WorkBuddy-Bench 3 из 4 конфигураций использовали меньше шагов на задачу после оптимизации. Например, Gemini под OpenCode сократил количество шагов с 25.4 до 21.9, что экономит токены и время.
Интересно, что более слабые модели (GLM-5) выиграли больше от оптимизации Harness, чем более сильные (Gemini). Это говорит о том, что Harness² особенно полезен для демократизации AI: он позволяет использовать более доступные модели, достигая качества, сопоставимого с премиальными аналогами.
Самым скромным улучшением стал рост GLM-5 под Codex на JobBench (с 23.6 до 24.8, +1.2 балла). Это напоминает, что не все задачи поддаются одинаковой оптимизации, и контекст задачи играет решающую роль.
05Сравнение с другими методами: Meta-Harness, ReasoningBank и Harness Scaling
На рынке уже существуют похожие подходы к оптимизации агентов. Давайте сравним Harness² с ключевыми конкурентами, чтобы понять его уникальные преимущества.
| Функция | Harness² | Meta-Harness | ReasoningBank | Harness Scaling |
|---|---|---|---|---|
| Разработчики | Google Cloud AI Research | Meta-Harness (Google Cloud AI, Northwestern) | Stanford IRIS Lab | Google Research (Wang et al.) |
| Что изменяется | Полный 8-компонентный harness, на каждую задачу | Код harness, ищется офлайн | Извлекаемая память; harness фиксирован | Harness, пересматривается на каждый инстанс |
| Нужен ли сплит для обучения | Нет | Да | Нет | Нет |
| Учится ли на протяжении задач | Да (библиотека + уроки) | Развертывает 1 лучший harness | Да (память) | Нет |
| Лицензия кода | Apache-2.0 | MIT | Не раскрыта | Не раскрыта |
| WorkBuddy Avg (Gemini/OpenCode) | 77.5 (80.8 при k=5) | 76.4 | 73.4 | 75.3 |
Как видно из таблицы, Harness² выделяется несколькими ключевыми особенностями. Во-первых, он не требует обучающего сплита, что делает его применимым к любым новым задачам «из коробки». Во-вторых, он накапливает знания через библиотеку уроков, что позволяет ему становиться лучше с опытом. В-третьих, лицензия Apache-2.0 делает его открытым и безопасным для коммерческого использования, в отличие от некоторых закрытых решений.
06Установка и запуск: практическое руководство
Google сделал установку Harness² максимально простой для разработчиков, работающих в среде Linux. Фреймворк требует Python 3.12 или 3.13 и менеджер пакетов uv.
Для локального демо, которое не требует учетных записей моделей, можно использовать следующую команду:

uv venv --python 3.12
source venv/bin/activate
uv pip install '.[render]' harness2
demo --output runs/demoДля запуска моделей, требующих доступа к облаку, необходимо установить Node.js 20+, Google Cloud CLI и настроить проект Vertex AI. Также потребуются дополнительные зависимости: Pandoc и Poppler для LAB, Docker для WorkBuddy-Bench. По умолчанию исполнителями выступают OpenCode, но можно использовать Codex с флагом --substrate cx.
07Что это значит на практике
Открытие Harness² знаменует собой конец эры, когда оптимизация AI-агентов сводилась исключительно к выбору более дорогой модели. Теперь у нас есть инструмент, который позволяет систематически улучшать производительность существующих моделей за счет интеллектуальной настройки их окружения.
Для бизнеса это означает снижение затрат. Вместо покупки доступа к самым дорогим моделям, компании могут использовать более доступные LLM и применять Harness² для достижения конкурентного качества. Для разработчиков это означает новый стек технологий: вместо написания статических промптов, они будут проектировать динамические системы, которые учатся на собственном опыте.
Однако стоит ожидать и некоторых сложностей. Оптимизация Harness требует дополнительных вычислительных шагов на каждую задачу. Разработчикам придется балансировать между качеством результата и скоростью отклика. Кроме того, безопасность таких систем требует тщательного контроля, так как агент может «научиться» обходить ограничения, если они сформурированы недостаточно четко.
В целом, Harness² — это мощный шаг вперед в направлении надежных, автономных AI-агентов. Он открывает путь к созданию систем, которые не просто выполняют команды, а адаптируются к контексту и становятся умнее с каждым использованием. Если вы работаете с AI-агентами, стоит внимательно следить за развитием этого фреймворка и, возможно, начать эксперименты уже сейчас.
08Заключение
Google Research с Harness² доказала, что будущее AI лежит не только в увеличении параметров, но и в умении эффективно использовать то, что у нас уже есть. Оптимизация обрамления агента — это новый frontier в области искусственного интеллекта, и Harness² предоставляет нам ключи к этому новому миру. Исходный код доступен на GitHub, а документация и статья с подробным описанием методологии помогут вам начать путь к созданию более умных и эффективных AI-систем.
Источник: MarkTechPost ↗
