模型能力不一定只能靠训练提升——Google Research 给出的新答案是：让智能体在推理时改写自己的运行框架。
发生了什么
Google Research 发布了名为 Harness2 的开源框架，采用 Apache-2.0 许可。其核心机制是在测试阶段（test time）对智能体的 harness 进行重写，并以递归方式迭代这一过程。所谓 harness，指包裹在模型之外的那层工程结构：提示组织、工具调用方式、上下文管理、错误处理与循环控制等。
按 MarkTechPost 的报道，仅一次精炼步骤，就让 GLM-5 在 WorkBuddy-Bench 上提升了 11.5 分，且整个过程没有更新任何模型权重。这意味着增益来自框架层面的自我调整，而非参数层面的学习。
为什么重要
过去一年，智能体能力的提升主要沿两条路径推进：一是更强的基座模型，二是更精巧的手工 harness 设计。前者成本高昂，后者高度依赖工程师经验，且往往针对单一任务过拟合。Harness2 把 harness 本身变成可优化的对象，等于在模型与任务之间插入了一层「可自我改进的中间件」。
这一思路的价值在于解耦：模型权重固定，改进发生在推理侧。对无法重训大模型的团队而言，这是一条现实得多的性能提升路径；对模型厂商而言，它提示了一个事实——同一模型在不同 harness 下的表现差异，可能被严重低估。
递归二字也值得注意。若精炼过程能多轮迭代，理论上存在持续自我改进的空间，但这也带来稳定性与收敛性的疑问：框架会不会越改越偏？报道未给出多轮结果，这一点仍需观察。
影响与看点
对开发者，最直接的影响是评估范式的变化。今后比较模型时，若 harness 可自动优化，单点 benchmark 分数的可比性会进一步下降，报告 harness 配置将变得和报告模型版本同样重要。
对智能体产品团队，Harness2 提供了一种低成本调优手段：不必等待新模型，先在框架层榨取现有模型的余量。但需注意，WorkBuddy-Bench 是特定基准，11.5 分的提升能否迁移到真实业务场景，尚缺乏证据。
值得关注的还有开源策略。Apache-2.0 意味着商用友好，Google 选择开放这一层而非仅发论文，客观上是在为智能体工程化设立公共基础设施。
一个独立判断：harness 自动优化很可能成为智能体栈中的标准组件，但它替代不了对任务的深刻理解——自动改写能搜索到更好的结构，却无法替你定义什么算「更好」。
