Google открыла Harness2: что такое ИИ-агент, который улучшается без переобучения модели

Исследователи Google Cloud AI Research представили фреймворк как ответ на типичную проблему: чтобы ИИ-агент (программа, которая сама планирует и выполняет задачи) работал лучше, обычно нужна более мощная модель. Harness2 предлагает другой путь. Он автоматически перебирает и улучшает всё, что окружает модель, промпты, правила безопасности, навыки, скрипты, плагины, а веса модели не трогает. Статья и код опубликованы на GitHub под открытой лицензией.

Что именно правит Harness2?

Чтобы понять, что такое ИИ-агент в контексте этого фреймворка, полезна аналогия. Представьте сотрудника (модель), который сидит за столом. Стол, инструменты на нём, инструкция на стене и список коллег, к которым можно обратиться, это и есть обвязка (harness). Harness2 не переучивает сотрудника, а перекладывает инструменты, переписывает инструкцию и добавляет новые шаблоны.

Фреймворк выделяет 8 редактируемых компонентов, каждый хранится как отдельный файл:

• Системный промпт (system prompt, главная инструкция для модели)
• Гардрейлы (guardrails, ограничения и правила безопасности)
• Память (memory, что агент запоминает между задачами)
• Руководство по инструментам (tool guidance, как пользоваться доступными функциями)
• Субагенты (subagents, вспомогательные агенты, которым можно делегировать часть работы)
• Навыки (skills, готовые поведенческие модули)
• Скрипты (scripts, пошаговые сценарии)
• Плагины (plugins, промежуточное ПО для расширения функций)

Эта структура расширяет предыдущую работу Google по агентному промпт-инжинирингу (Agentic Harness Engineering), где компонентов было 7.

Как работает рекурсивное улучшение?

Фреймворк запускает два уровня автоматической доработки.

На уровне задачи агент сначала решает задачу с базовой обвязкой. Затем редактор (по умолчанию Claude Opus 4.8) предлагает два варианта улучшений. Один нацелен на общие слабости: планирование, использование инструментов. Другой нацелен на знания и процедуры конкретной предметной области. Оба варианта прогоняются на той же задаче. Компоновщик сравнивает их траектории с эталонной и оставляет только те правки, которые подтверждены наблюдаемым поведением.

На уровне обвязки после каждой задачи рефлектор сохраняет принятую обвязку и файл EXPERIENCE.md с извлечёнными уроками. Эта библиотека направляет будущие предложения. Но каждая новая задача всё равно стартует с базовой обвязки, накопленный опыт влияет на предложения, а не подменяет начальную точку.

Параметр k задаёт бюджет перебора. В параллельном режиме система пробует k вариантов каждого типа и делает k композиций. В последовательном режиме она выстраивает цепочку из k шагов улучшения.

Что показали бенчмарки?

Команда Google протестировала Harness2 на трёх профессиональных бенчмарках: WorkBuddy-Bench, JobBench и Harvey's LAB. Исполнителями (executor) выступали модели Gemini 3.5 Flash и GLM-5 под оболочками OpenCode и Codex. Результаты усреднены по трём запускам.

• Всего один шаг улучшения дал прирост во всех 4 конфигурациях «модель + обвязка» на всех 3 бенчмарках.
• GLM-5 под OpenCode показал рост с 64.2 до 75.7 балла на WorkBuddy-Bench (+11.5).
• После одного шага улучшённый GLM-5 обошёл базовый Gemini 3.5 Flash на WorkBuddy-Bench, по данным статьи Harness2.
• Параллельный режим при k=5 поднял Gemini под OpenCode до 80.8 на WorkBuddy-Bench.
• На WorkBuddy-Bench 3 из 4 конфигураций стали решать задачи за меньшее число шагов: например, Gemini под OpenCode сократил среднее число шагов с 25.4 до 21.9.
• Минимальный прирост: GLM-5 под Codex набрал всего 1.2 балла на JobBench (с 23.6 до 24.8).

Характерная деталь: более слабые модели-исполнители выигрывали от Harness2 сильнее. Это логично: у них больше пространства для улучшения за счёт обвязки.

Что делать с этим прямо сейчас?

Автору Дзена и копирайтеру. Если вы используете ИИ-агента для генерации текстов, исследований или автоматизации рутины, Harness2 показывает принцип: менять промпт и инструкции вокруг модели бывает эффективнее, чем менять саму модель. Даже без запуска фреймворка вы можете применить этот подход вручную: систематически тестировать варианты системного промпта и набора инструментов, фиксировать результаты и оставлять только подтверждённые улучшения.

Разработчику и техническому маркетологу. Фреймворк запускается на Linux с Python 3.12 и менеджером uv. Есть демо-режим без ключей от облака (команда harness2-demo). Для полноценных запусков нужны Node.js 20+, Google Cloud CLI и проект в Vertex AI. Код открыт, можно адаптировать под свои задачи.

Предпринимателю в РФ и СНГ. Vertex AI доступен с ограничениями для российских аккаунтов. Из доступных в России аналогов для экспериментов с агентной обвязкой можно использовать YandexGPT и GigaChat, хотя готового аналога Harness2 для них пока нет. Сам принцип «улучшай обвязку, не меняй модель» применим к любой платформе.

Слабая модель с правильной обвязкой обошла сильную с базовой, и для этого не пришлось менять ни одного параметра внутри модели. Если вы строите что-то на ИИ-агентах, проверьте сначала, всё ли вы выжали из промптов, инструментов и памяти, прежде чем платить за следующий ценовой уровень.

По данным Marktechpost