Harness²: фреймворк Google Research, где агент переписывает собственный харнес

Что такое Harness²

Харнес - это всё вокруг модели, что делает её агентом: промпты, инструменты, память, навыки, оркестрация. Harness² считает именно эту обвязку объектом оптимизации при неизменных весах и связывает два уровня рекурсии. Рекурсия уровня задачи уточняет исполнительный харнес под текущую задачу через контрастный шаг Propose-Probe-Compose: предложить правки, проверить их эффект на той же задаче и собрать улучшенный харнес из поведенческих контрастов между запусками - без эталонных ответов. Рекурсия уровня харнесинга обновляет постоянный "улучшающий харнес" принятыми харнесами и подкреплёнными доказательствами уроками с каждой задачи, так что улучшения накапливаются между задачами, которых система никогда не видела. Редактируемых компонентов восемь: системный промпт, гардрейлы, память, подсказки по инструментам, субагенты, навыки, скрипты и плагины.

Лицензия, популярность, поддержка

В репозитории лежит Apache License 2.0 - проверено чтением LICENSE напрямую. Сигнал популярности сильный, но очень молодой: 9 061 звезда и 796 форков на 19 октября при дате создания 6 октября, так что считайте это вниманием к запуску, а не устоявшимся внедрением. Пока в репозитории два видимых контрибьютора, основные коммиты от rux001, и 72 открытых ишью. Это репозиторий google-research, что обычно означает исследовательский артефакт без обязательств по поддержке, а не продукт; есть и сопутствующая статья, arXiv 2610.14224.

Реальность установки

Документированный путь: Linux, Python 3.12 и uv - создать venv, поставить с экстра-render и запустить harness2-demo, которое прогоняет оба режима рекурсии с детерминированными редакторами и настоящими запусками Python и не требует ключей. Это честный способ посмотреть на механику. Бенчмарки с моделями тяжелее: Node.js 20+, Google Cloud CLI, проект Vertex AI и ID моделей в .env, плюс application-default credentials через gcloud. Юридический бенчмарк LAB дополнительно требует Pandoc и Poppler; WorkBuddy-Bench требует Docker. README предупреждает, что прогоны с моделями стоят денег за API, и советует начинать с малого набора задач; флаг --dry-run показывает выбор задач без вызовов модели.

Заметки о приватности и безопасности

Демо работает локально без ключей, так что первый взгляд ничего никуда не отправляет. Прогоны с моделями - другое дело: задачи, правки харнеса и выполнения идут через ваш проект Vertex AI, то есть любые данные в задаче бенчмарка уезжают в Google Cloud под вашим аккаунтом и за ваш счёт. WorkBuddy-Bench работает в Docker: это изолирует выполнение, но и отдаёт фреймворку контейнерный рантайм на вашей машине. К фреймворку, чья суть - переписывать собственные гардрейлы и субагентов, стоит относиться аккуратнее обычного: читайте, что делает предложенная правка харнеса, прежде чем пускать её к реальным ключам, и держите накопленные "уроки" улучшающего харнеса подальше от чувствительных проектов, пока не поймёте, что именно он хранит.

Почему это попало в дайджест

Большинство агентских фреймворков соревнуются в том, что модель может вызвать. Harness² соревнуется в том, что система может переписать в самой себе, и приносит неброские детали, делающие это утверждение проверяемым: демо без ключей, названные бенчмарки с шагом судьи и отчёта и честное предупреждение о расходах. Открытый вопрос, за которым я бы следил, - контрастный шаг: композиция правок из поведенческих контрастов без эталона - ровно то место, где фреймворк может незаметно научиться поощрять многословные или удачливые прогоны. Репозиторий даёт инструменты увидеть это самому, а это больше, чем может сказать большинство запусков этого месяца.