一个没动过任何权重参数的开源模型，把谷歌自家旗舰按在了跑分板上。近日，谷歌云AI研究院（Google Cloud AI Research）开源了大模型Agent外围脚手架自我改进系统Harness²，GLM-5接入后在办公基准WorkBuddy-Bench上从64.2分冲到75.7分，反超原生Gemini 3.5 Flash的72.4分。
希鸥网观察到，这套系统的核心坐标是大模型Agent的Harness层——模型外面那圈系统提示词、工具链、技能库组成的运行脚手架。它为AI应用开发商解决的是真实办公场景下Agent自我改进翻车的痛点：没有标准答案时，模型改完提示词根本不知道自己变聪明了还是变傻了。
过去两年，递归自我改进（RSI）的思路在实验室里很性感，进了开放世界却几乎全灭。死穴就两个。一是缺裁判：写商业企划案、审法律合同，线上没人给Ground Truth打分。二是过度拟合：为一个任务魔改的脚手架硬套下一个任务，系统陷入噪声螺旋，越改越傻。
Harness²的解法是双层嵌套递归。第一层任务级递归，用行为对比替代标准答案。面对新任务先用初始脚手架跑一版参考轨迹，再由编辑角色提出两套修改方案——通用缺陷修补抓规划混乱、工具死循环，领域专属修补抓业务约束。候选脚手架放回同一任务重跑，只合并被执行证据证明有效的改动。
第二层改进级递归才是真正的分水岭。任务交付后，调试记录全部交给反思模块，复盘出一份EXPERIENCE.md，写清为什么改、什么条件下起效、带来什么后果，存进持续改进经验库。下一个任务进来，执行端拿到的仍是干净的基础脚手架，但改进大脑手里已经攥着历史避坑手册。单次修补沉淀成了可复用的认知资产。
希鸥网认为，这条开源路线正在重切AI应用层的利益蛋糕。获益最直接的是开源模型厂商和中小Agent开发商——GLM-5套上Harness²在JobBench涨3.6分、LAB部分通过率拔高11.8个百分点，等于用外围工程抹平了一部分基座差距。受损的是两类角色：靠手写Prompt做调优咨询的服务商，以及把预算全押在等下一代基座模型上的团队。
这套机制的内核，和精益创业讲的开发-测量-认知闭环是同一个东西。初创企业不该花几个月写完美商业计划，该用最小可行产品快速验证假设。Harness²的提议-探测-合成，就是把这个闭环塞进了Agent的运行时：先跑，再对照行为证据测量，只保留被证实的改动。经证实的认知，比漂亮的架构图值钱。
精益创业把新创企业失败归为两条：过度依赖传统计划，或者完全抛弃管理纯靠直觉。放到Agent开发上，前者是死等基座模型换代解决长尾bug，后者是工程师拍脑袋堆Prompt、越堆越乱。Harness²的经验库相当于一本创新核算账本，每一次改进都有行为证据背书，而不是靠感觉判断哪版提示词更好。
精益创业有个汽车类比：愿景是长期目标，战略是商业模式，产品是落地载体，方向偏了就微调。Harness²的结构恰好对齐——基础脚手架保持干净是愿景，经验库驱动改进大脑是战略迭代，单次任务打补丁是产品微调。给创业者的动作建议很具体：把下一笔模型预算切一块出来，投到Runtime认知工程上，建自己的经验库，别再赌基座模型的下一代。
金鸥品牌榜·2026年度创新案例库开放申报了。免费提报，独立评估，入榜品牌将获得电子版《入榜证明》及年度专题公示，优秀案例可获得深度专访+全平台分发。如需修改或发布文章，请加微信号：sheisceo