Что такое ИИ-агент по версии Google: Harness² сам правит его инструкции и скиллы
Google Research выложила открытый фреймворк Harness², который позволяет ИИ-агентам в OpenCode и Codex самим править свои инструкции и скиллы, и на фоне бурного роста агентов снимает с инженеров ручную настройку обвязки.

Раньше обвязку агента подкручивал человек, теперь её правит другая модель и проверяет правки на той же задаче. Для тех, кто строит агентов, ручная работа превращается в автоматический цикл, который со временем копит опыт.
Поясню, что за обвязка. Сегодня агенты обрастают скиллами, подключениями MCP (стандарт, через который модель получает доступ к внешним сервисам и данным), субагентами и правилами работы с контекстом. Вместе это называют Harness, буквально «упряжь». Настройка этой упряжи трудна и отнимает много ресурсов, и Harness² предлагает передать её самой системе.
Что такое ИИ-агент в версии Google?
Если коротко отвечать, что такое ИИ-агент, то это LLM (большая языковая модель, «мозг» вроде тех, что стоят за чат-ботами) плюс обвязка. Сама модель в такой схеме работает как окошко выдачи: принимает запрос в заданном формате и отдаёт ответ. Всё остальное делает Harness: решает, что модели прочитать, какой инструмент вызвать, что запомнить.
Из этого следует вывод, на котором держится весь проект. По словам авторов разбора, средняя модель в хорошей обвязке иногда решает задачи надёжнее топовой модели без неё. Отсюда и практика распределять роли: дорогая модель проверяет и проектирует, средняя генерирует, дешёвая обслуживает массовые вызовы субагентов (вспомогательных агентов, которым главный раздаёт куски работы).
В README (описании проекта на GitHub) у Harness² восемь компонентов обвязки:
- системный промпт (system prompt), базовая инструкция, с которой агент начинает работу;
- ограничители (guardrails), что агенту делать нельзя;
- память (memory), что запоминать между шагами;
- инструкции по инструментам (tool guidance), когда вызывать поиск по документам, а когда отвечать самому;
- субагенты (subagents), делегирование частей задачи;
- скиллы (skills), готовые навыки агента под типовые действия;
- скрипты (scripts), заданный интерфейс работы с инструментами;
- плагины (plugins), прослойка, которая подправляет поведение внутри цикла вызова инструментов.
Двойка в названии означает два уровня самоулучшения
Первый уровень работает внутри одной задачи. Агент выполняет её в базовой обвязке, редактор предлагает правки, правки проверяются на той же задаче, и из удачных собирается улучшенная версия. Этот цикл называется Propose-Probe-Compose, то есть «предложить, проверить, собрать».
Второй уровень работает между задачами. Принятые изменения и «уроки, подтверждённые поведением» записываются в постоянную библиотеку improvement harness, и она подсказывает редактору, какие правки предлагать в следующий раз. Проще говоря, первый уровень чинит обвязку, второй чинит сам процесс починки.
Деталь, которая бросается в глаза: фреймворк от Google Research по умолчанию использует редактор на модели конкурента, Claude Opus 4.8. Авторы разбора добавляют, что модель можно заменить на более новую.
Что понадобится для запуска?
- Агент в среде OpenCode или Codex, с ними фреймворк работает по заявлению разработчиков.
- Репозиторий Harness² на GitHub и его README.
- Доступ к модели-редактору: по умолчанию Claude Opus 4.8.
- Одна рабочая задача, на которой агент сейчас ошибается или тратит лишнее.
Как запустить самоулучшение агента по шагам?
- Опишите текущую обвязку агента по восьми компонентам из README: системный промпт, ограничители, память, инструкции по инструментам, субагенты, скиллы, скрипты, плагины.
- Запустите эталонный прогон (reference execution), задачу в базовой обвязке. Он фиксирует, где агент остановился, что прочитал, какой инструмент вызвал зря, что забыл проверить.
- Передайте редактору задачу, текущую обвязку, траекторию эталонного прогона и библиотеку прошлых улучшений, если она есть.
- Получите от редактора два кандидата: инвариантную правку (против типовых слабостей агентов: планирование, инструменты, контекст, делегирование) и доменную, под предметную область задачи.
- Проверьте обе правки на той же задаче и сравните поведение с эталонным прогоном.
- Соберите улучшенную обвязку из удачных правок, а уроки сохраните в библиотеку improvement harness.
Команды установки в разборе не приводятся, их берите из README репозитория.
Агент жадно вычитывает весь репозиторий подряд и забивает контекст (объём текста, который модель держит в голове за раз). Инвариантная правка добавляет в инструкции по инструментам явное правило: сначала посмотреть структуру папок, потом точечно запрашивать нужные файлы. Правку проверяют на той же задаче, и если агент стал читать меньше лишнего, она попадает в улучшенную обвязку.
Не ждите, что следующая задача стартует с уже улучшенной обвязки. В препринте на arXiv (архиве научных статей до рецензии) авторы пишут прямо: каждая новая задача начинается с той же базовой обвязки, переносится только библиотека опыта. Второе: без эталонного прогона редактору не с чем сравнивать, шаг 2 пропускать нельзя.
Что делать с этим прямо сейчас, по ролям
Автору Дзена фреймворк напрямую не нужен, он для разработчиков. Но саму идею можно взять: если ИИ пишет вам слабо, сначала пересоберите инструкции, правила и примеры, а потом уже меняйте модель.
Маркетологу стоит запомнить формулу «модель плюс обвязка». Задачи можно делить по моделям: дорогую оставить на проверку, дешёвую на массовые операции, это меняет экономику работы с ИИ.
Предпринимателю РФ и СНГ: фреймворк открытый, но редактор по умолчанию работает на модели Anthropic, а о подключении российских моделей в разборе не сказано. Из доступных в РФ языковых моделей есть YandexGPT и GigaChat, но их совместимость с Harness² нужно проверять самостоятельно.
На мой взгляд, главное в Harness² не автоматика, а библиотека уроков: агент учится на собственных промахах между задачами. Начинайте с одной повторяющейся задачи, где ошибки видны сразу, иначе не поймёте, помогла правка или нет. Честная оговорка: это инструмент для инженеров с доступом к платным моделям, и без технических навыков вы его не запустите.
Мой прогноз: через год вопрос «какая модель лучше» уступит вопросу «чья обвязка умнее», и начать думать об этом стоит со своих промптов.
Разберитесь в ИИ-агентах на практике
В dzen.guru мы тестируем нейросети и показываем, как применять их в работе автора и бизнеса.
Перейти в dzen.guru
Основатель dzen.guru. Эксперт по монетизации и продвижению на Дзен. Автор курса «Старт на Дзен 2026».
Читайте также

Voyage Labs привлекла $12 млн на ИИ-ассистента для путешествий: он сам бронирует отели
Voyage Labs, стартап выходца из Google Maps, привлекла 12 миллионов долларов на разработку специализированного ИИ-ассистента для путешествий, когда…
Галлюцинации The AI Scientist: до 42% запусков падают, а статьи содержат выдуманные цифры
Лаборатория EvoNova Labs выложила в открытый научный архив стресс-тест системы The AI Scientist от Sakana AI, стартапа с оценкой выше 1,5 млрд долларов: до 42%…

Первый крупный шаг Nvidia после ухода Хуанга: комитет по национальной безопасности
Nvidia во вторник создала комитет совета директоров по национальной безопасности и экспортному контролю, и это первый крупный шаг компании после ухода Дженсена…
Комментарии