Google Research открыла исходный код Harness² — исследовательского фреймворка для настройки ИИ-агентов. Он позволяет пересматривать инструкции и другие элементы их рабочего окружения. Веса языковой модели при этом остаются неизменными: речь о способе организации работы агента, а не об обучении новой нейросети. Код опубликован в репозитории Google Research.
Что именно меняет Harness²
Авторы называют harness совокупность компонентов вокруг модели. Фреймворк открывает для редактирования восемь из них:
системные инструкции;
правила-ограничители поведения — guardrails;
память;
инструкции по использованию инструментов;
конфигурации субагентов;
навыки — skills;
скрипты;
плагины.
Релиз поддерживает исполнителей OpenCode и Codex. Это совместимость исследовательского инструмента, а не сообщение о появлении встроенного «самоулучшения» у всех пользователей этих продуктов.
Как устроен цикл изменений
В научной работе Harness²: Recursive Agent Harnessing for an Open World описаны два связанных уровня. На первом система предлагает изменения, пробует их на текущей задаче и сопоставляет поведение вариантов. Из этого сравнения формируется обновлённое окружение. Такой цикл авторы называют Propose–Probe–Compose.
На втором уровне сохраняются принятые настройки и выводы, подкреплённые результатами запусков. Они используются для последующих задач. Варианты можно исследовать параллельно или последовательно уточнять.
Существенная деталь: во время такого уточнения у системы нет проверяющего с заранее известным правильным ответом. Поэтому «агент изменил свои инструкции» и «агент доказанно стал надёжнее» — разные утверждения. Для рабочего проекта всё равно нужна внешняя проверка качества.
Какие результаты сообщили исследователи
Авторы проверяли подход на GLM-5 и Gemini 3.5 Flash в четырёх сочетаниях модели и окружения. В работе приведён прирост после одного шага Harness² относительно базовых вариантов:
WorkBuddy-Bench — до 11,5 балла;
JobBench — до 4,5 балла;
LAB — до 11,8 процентного пункта.
В README уточняется, что показатель LAB относится к partial pass rate — доле частичного прохождения. Это разные метрики, поэтому сводить их к универсальному обещанию «качество растёт на 4,5–11,5%» нельзя. Результаты относятся к экспериментам авторов, а не к любому агенту или бизнес-процессу.
Почему это интересно компаниям
Практический вопрос здесь — как исправлять повторяющиеся ошибки помощника. Допустим, агент составляет сводку заявок, но регулярно пропускает отсутствующие сроки. Сотрудник может уточнить инструкцию вручную: отдельно перечислять заявки без даты. Подход с автоматическим пересмотром настроек предлагает исследовать такие изменения системно.
Это условный пример, не результат тестирования Harness² в КОМЭКСПО. Его смысл — показать, что оценивать надо конкретное поведение: стало ли меньше пропусков, не появились ли придуманные даты и сколько стоила дополнительная проверка.
Одно удачное выполнение не показывает, что новая настройка подходит для остальных случаев. Нужны отдельные задания для проверки: обычные, неполные и противоречивые. Новая версия должна сохранять качество там, где старая уже работала хорошо.
Если вы только разбираетесь в устройстве таких систем, начните с материала о том, что такое AI-агент. А различия между помощником с фиксированными сценариями и агентом с инструментами разобраны в сравнении ИИ-агента и чат-бота.
Какие ограничения учитывать перед экспериментом
Проект распространяется под Apache 2.0; сторонние компоненты и наборы данных сохраняют собственные лицензии. Разработчики отдельно предупреждают: это не официально поддерживаемый продукт Google.
Есть и технический момент, который нельзя пропустить. В инструкции по настройке указано, что исполнитель Codex запускается с отключённой песочницей. Это свойство описанного исследовательского запуска, не рекомендация отключать защиту на рабочем компьютере.
Для пилота мы рекомендуем отдельную изолированную среду без клиентских данных и рабочих ключей. Агент не должен сам расширять свои права только потому, что очередной вариант инструкции дал более высокий результат. Ограничения доступа следует обеспечивать за пределами редактируемого им текста.
До эксперимента полезно договориться о четырёх вещах:
Какие файлы настроек разрешено менять, а какие остаются под контролем человека.
Какие задания проверяют улучшение и какие ошибки запрещают принятие новой версии.
Сколько времени и средств можно потратить на дополнительные запуски.
Кто подтверждает перенос изменений в рабочую систему и как вернуть предыдущую версию.
Что это означает на практике
Harness² стоит рассматривать как инструмент для экспериментов с организацией работы агента. Для бизнеса решение о внедрении должно опираться на собственную проверку: точность результата, стоимость обработки и сохранение ограничений доступа.
Начать такую проверку можно с одного процесса по пошаговому плану внедрения ИИ. Если нужна помощь с выбором задачи и критериев пилота, обсудите проект с командой КОМЭКСПО. Доступность исходного кода сама по себе ещё не делает исследовательский фреймворк готовой корпоративной системой.
