可编辑的代理 harness 组件
该框架将周围的代理系统视为可编辑组件，包括系统提示词、防护措施、记忆、工具指南、子代理、技能、脚本和插件。这些组件负责控制上下文构建、工具、委派和工具循环中的行为。
递归代理 harness 改进
Harness² 是一个来自 google-research 代码仓库、采用 Apache-2.0 许可证的框架，用于开放世界任务中的递归代理 harness。它专注于改进固定模型周围的系统，包括提示词、工具、记忆、技能、编排和其他可编辑行为，而不是修改模型权重。
其任务级工作流使用 Propose-Probe-Compose：它会在当前任务上测试候选 harness 修改，并利用这些执行过程中的行为证据构建改进方案。另一个持久化层级会记录已采用的 harness 和有证据支持的经验，使后续任务能够借鉴之前的改进工作。
主要能力
任务级 Propose-Probe-Compose 改进
对于当前任务，Harness² 会提出 harness 修改方案，探测这些修改对同一任务的影响，并根据执行行为的差异组合出改进后的 harness。文档所述的工作流在此步骤中不要求真实标签反馈。
持久化 harness 层学习
任务完成后，系统会将已采用的 harness 和有证据支持的经验保存在持久化改进 harness 中，用于指导后续改进。
并行与顺序递归模式
并行递归会探索多个通用候选方案和领域特定候选方案，而顺序递归会在连续步骤中传递改进后的 harness 和累积的证据。`--k` 设置控制任务级递归预算。
执行器与基准测试支持
该版本默认支持 OpenCode，也可以通过 `--substrate cx` 使用 Codex。其中包含适用于 JobBench、LAB 和 WorkBuddy-Bench 的工作流。
运行管理与报告
命令行工作流涵盖设置、环境检查、改进、评判和报告。结果会保留任务摘要、交付物、已采用的 harness、反思笔记和评估输出。
实际使用场景
评估代理处理专业工作任务的能力
使用 JobBench 的基准测试设置、运行器、评判和报告命令，对专业工作任务运行受控的改进实验，以比较不同配置下 harness 的行为。
测试法律工作代理工作流
使用 LAB 集成运行法律工作基准测试任务；文档所述的设置流程包括该基准测试所需的 Pandoc 和 Poppler 依赖。
评估办公、网页和编码代理
运行 WorkBuddy-Bench 中办公、网页或代码任务的子集。文档所述的工作流需要 Docker，并会在设置完成后通过后续命令继续使用所选子集。
比较改进策略
使用并行递归广泛探索候选 harness 修改，或使用顺序递归逐步深入单一路径的改进。当实验需要在探索广度和累积改进之间进行选择时，这种方式很适用。
验证本地安装
先从本地演示开始，在配置基于模型的基准测试运行之前，使用确定性编辑器和真实的 Python 执行来体验两种递归模式。
Pros and Cons
Pros
- 它公开了八个具体的 harness 组件，使用户能够改进的不只是单个提示词。
- 它同时支持并行探索和顺序改进，并提供明确的递归预算控制。
- 它提供了涵盖设置、检查、运行、评判、报告和恢复结果的命令行工作流文档。
- 它支持三个覆盖不同工作领域的专业基准测试：JobBench、LAB 和 WorkBuddy-Bench。
- 本地确定性演示会执行真实的 Python 代码，且不需要模型凭据。
Cons
- 基准测试运行文档指定使用 Linux 和 Python 3.12，并且不同基准测试所需的其他依赖也有所不同；LAB 需要 Pandoc 和 Poppler，而 WorkBuddy-Bench 需要 Docker。
- 基于模型的运行需要配置模型和凭据，代码仓库指出这会产生 API 费用。
- 默认情况下，执行器的网络访问不受限制；Codex 运行时也禁用了沙箱。文档要求用户在评估前配置网络限制，以避免访问基准测试答案或评分标准。
FAQ
运行 Harness² 需要什么环境？
对于基准测试运行，项目指定使用 Linux 和 Python 3.12。其 Python 软件包也支持 Python 3.13。文档中的设置流程还要求 uv、Node.js 20 或更高版本以及 Google Cloud CLI；部分基准测试还会增加各自的依赖项。
Harness² 支持哪些基准测试？
代码仓库文档介绍了 JobBench、LAB 和 WorkBuddy-Bench。使用 `harness2-setup` 安装基准测试，然后在运行改进流程前使用 `harness2-check` 进行检查。
如何评估和报告基准测试运行结果？
使用 `harness2` 运行改进流程，随后使用 `harness2-judge` 和 `harness2-report` 进行评估和报告。`--dry-run` 可在不调用模型的情况下预览任务选择。评估和报告所使用的基准测试、执行器、任务子集、递归预算、模式和种子，需要与改进运行保持一致。
可以恢复运行吗？
结果会保存在 `runs/` 下，并按基准测试以及（如适用）子集进行组织。其中包括任务摘要、交付物、已采用的 harness、反思笔记和评估结果。重复执行相同命令即可恢复运行；如果更换模型或任务选择，则需要使用新的 `HARNESS2_RUNS_DIR`。
Quick Facts
- 类别
- 开发者工具
- 许可证
- Apache License 2.0
- 支持的基准测试
- JobBench、LAB 和 WorkBuddy-Bench
- 主要环境
- Linux；基准测试运行使用 Python 3.12
- 执行器
- OpenCode 和可选的 Codex
- 来源
- github.com/google-research/harness2
Harness² 替代品
CreateOS Sandbox
CreateOS Sandbox 是基于 Firecracker 微型虚拟机的隔离计算环境，用于运行代码和 agent 工作负载，支持私有网络、SDK、CLI 和 MCP 程序化控制。
GitBot
GitBot 是基于本地浏览器的工作区，可借助 Claude Code、Codex 或 OpenCode 创建可复用的编程机器人，跨仓库文件夹运行代理，并保留持久线程与可配置权限。
AakarDev AI
AakarDev AI 帮助团队在一个仪表板中管理 AI provider 访问、项目级设置、日志和分析，支持 BYOK 工作流，并涵盖 OpenAI、Google Gemini、Anthropic、Groq、Mistral AI 和 Perplexity AI。
Trigger.dev chat agent
Trigger.dev chat agent 是面向开发者的持久化 AI 聊天后端，支持有状态对话在刷新、崩溃和长轮次中持续运行，并与 AI SDK `useChat` 流程无缝连接，运行于托管基础设施，单轮无超时。
ByteAsk
ByteAsk 是面向 C 和 C++ 的终端优先 AI 编码 agent，可直接编辑仓库，并在展示 diff 前用真实编译器、调试器、sanitizers 和测试验证修改。提供免费版与付费方案。
Epherem
Epherem 是一款面向 AI 编程工具构建的 Web 应用静态安全扫描器，检查源文件和依赖项中的常见安全错误，并提供分类结果与修复建议，无需运行应用。