可編輯的代理 harness 元件
此框架將周邊的代理系統視為可編輯元件，包括系統提示、護欄、記憶、工具指引、子代理、技能、指令碼和外掛程式。這些元件負責管理內容建構、工具、委派和工具迴圈中的行為。
遞迴代理 harness 改進
Harness² 是來自 google-research 儲存庫、採用 Apache-2.0 授權的框架，用於開放世界任務中的遞迴代理 harness。它專注於改進固定模型周邊的系統，包括提示、工具、記憶、技能、協作編排和其他可編輯行為，而不是變更模型權重。
其任務層級工作流程採用 Propose-Probe-Compose：在目前任務上測試候選 harness 編輯，並利用這些執行結果中的行為證據建構改進方案。另一個持久化層級會記錄採用的 harness 和有證據支持的經驗，讓後續任務能運用先前的改進成果。
主要功能
任務層級的 Propose-Probe-Compose 改進
針對目前任務，Harness² 會提出 harness 編輯方案，探測其對同一任務的影響，並根據執行行為的差異組合出改進後的 harness。文件所述流程在此步驟不要求真實標準答案回饋。
持久化 harness 層級學習
任務完成後，系統會將採用的 harness 和有證據支持的經驗保留在持久化改進 harness 中，用於引導後續改進。
平行與循序遞迴模式
平行遞迴會探索多個通用及特定領域的候選方案；循序遞迴則在連續步驟中沿用改進後的 harness 和累積證據。`--k` 設定控制任務層級的遞迴預算。
執行器與基準測試支援
此版本預設支援 OpenCode，也可透過 `--substrate cx` 使用 Codex。其中包含 JobBench、LAB 和 WorkBuddy-Bench 的工作流程。
執行管理與報告
命令列工作流程涵蓋設定、環境檢查、改進、評判和報告。結果會保留任務摘要、交付成果、採用的 harness、反思筆記和評估輸出。
實際使用案例
評估代理在專業工作任務上的表現
使用基準測試設定、執行器、評判和報告指令，在 JobBench 的專業工作任務上執行受控的改進實驗，以比較不同設定的 harness 行為。
測試法律工作代理工作流程
使用 LAB 整合處理法律工作基準測試任務；文件所述設定流程包含該基準測試所需的 Pandoc 和 Poppler 相依套件。
評估辦公室、網頁和程式碼代理
執行 WorkBuddy-Bench 中辦公室、網頁或程式碼任務的子集。文件所述工作流程需要 Docker，並會在設定後的指令中持續使用所選子集。
比較改進策略
使用平行遞迴廣泛探索候選 harness 變更，或使用循序遞迴逐步深化單一路徑的改進。這適合需要在探索廣度與累積改進之間做選擇的實驗。
驗證本機安裝
先從本機示範開始，使用確定性編輯器和實際 Python 執行來運作兩種遞迴模式，再設定以模型為基礎的基準測試執行。
Pros and Cons
Pros
- 它公開八個具體的 harness 元件，讓使用者不只能改進單一提示。
- 它同時支援平行探索與循序改進，並提供明確的遞迴預算控制。
- 它提供涵蓋設定、檢查、執行、評判、報告及繼續執行結果的命令列工作流程文件。
- 它支援三個涵蓋不同工作領域的專業基準測試：JobBench、LAB 和 WorkBuddy-Bench。
- 本機確定性示範會使用實際的 Python 執行，不需要模型憑證。
Cons
- 基準測試執行文件以 Linux 和 Python 3.12 為環境，且不同基準測試需要的額外相依套件各異；LAB 需要 Pandoc 和 Poppler，而 WorkBuddy-Bench 需要 Docker。
- 以模型為基礎的執行需要設定模型和憑證，儲存庫也註明這些執行會產生 API 費用。
- 執行器預設可不受限制地存取網路，且 Codex 執行時停用其沙箱；文件要求使用者在評估前設定網路限制，以避免存取基準測試答案或評分標準。
FAQ
執行 Harness² 需要什麼環境？
若要執行基準測試，專案指定使用 Linux 和 Python 3.12。其 Python 套件也支援 Python 3.13。文件所述的設定流程另外需要 uv、Node.js 20 或更新版本，以及 Google Cloud CLI；部分基準測試還有各自的額外相依套件。
Harness² 支援哪些基準測試？
儲存庫文件列出 JobBench、LAB 和 WorkBuddy-Bench。基準測試會使用 `harness2-setup` 安裝，接著使用 `harness2-check` 進行檢查，然後才能執行改進流程。
如何評估並產生基準測試執行結果報告？
使用 `harness2` 執行改進流程，接著使用 `harness2-judge` 和 `harness2-report` 進行評估與報告。`--dry-run` 可在不呼叫模型的情況下預覽任務選取結果。評判與報告需要與改進流程執行時相同的基準測試、執行器、任務子集、遞迴預算、模式和種子。
可以繼續執行中斷的流程嗎？
結果會儲存在 `runs/` 下，並依基準測試及（如適用）子集分類。其中包含任務摘要、交付成果、採用的 harness、反思筆記和評估結果。重複相同指令即可繼續執行；若變更模型或任務選取，則需要設定新的 `HARNESS2_RUNS_DIR`。
Quick Facts
- 類別
- 開發者工具
- 授權
- Apache License 2.0
- 支援的基準測試
- JobBench、LAB 和 WorkBuddy-Bench
- 主要環境
- Linux；基準測試執行使用 Python 3.12
- 執行器
- OpenCode 和選用的 Codex
- 來源
- github.com/google-research/harness2
Harness² 替代品
CreateOS Sandbox
CreateOS Sandbox 是以 Firecracker micro-VM 執行程式與 agent 工作負載的隔離運算環境，支援私有網路、SDK、CLI 與 MCP 程式化控制。
GitBot
GitBot 是以瀏覽器為基礎的本機工作區，可使用 Claude Code、Codex 或 OpenCode 建立可重複使用的程式設計機器人，並在儲存庫資料夾中執行，支援持續執行緒與可設定權限。
AakarDev AI
AakarDev AI 讓團隊透過單一儀表板管理 AI 供應商權限、專案設定、日誌與分析，支援 BYOK 工作流程，並可連接 OpenAI、Google Gemini、Anthropic、Groq、Mistral AI、Perplexity AI。
Trigger.dev chat agent
Trigger.dev chat agent 是專為開發者打造的持久化 AI 聊天後端，支援有狀態對話、刷新與當機後續接、長時間回合，並可搭配 AI SDK `useChat` 與託管基礎架構，單回合無逾時。
ByteAsk
ByteAsk 是專為 C 與 C++ 打造的終端機優先 AI coding agent，先編輯儲存庫再用真實編譯器、除錯器、sanitizer 與測試驗證變更，並提供免費方案與付費方案。
Epherem
Epherem 是適用於 Lovable、Bolt、v0、Replit、Cursor 與 Claude Code 等 AI 程式設計工具打造網頁應用程式的靜態安全掃描器，檢查原始碼與相依套件中的常見安全錯誤，分類呈現結果並提供修正建議，無須執行應用程式。