Agent 的落差往往不只來自模型能力，提示詞、工具配置、記憶和任務編排同樣影響結果。Google Research 開源的 Harness²，便是一個處理這層「執行系統」的研究框架：它固定模型權重，先按眼前任務調整 harness，再把成果與經驗帶到下一項任務。
它的核心是兩層遞迴。Task-level recursion 透過 Propose–Probe–Compose，先提出修改、在相同任務測試效果，再整合有效部分；Harnessing-level recursion 則把已採用的 harness 與有證據支持的經驗寫入持久 improvement harness，協助後續改進。這種取捨是把資源由重新訓練模型，轉向持續優化模型周邊配置。
- 模型權重固定，主要改進 prompts、tools、memory、skills 與 orchestration。
- 不依賴標準答案，以同一任務不同執行結果的行為差異作為回饋。
- 支援 parallel、sequential recursion，以及 OpenCode、Codex executors。
- 可配合 JobBench、LAB、WorkBuddy-Bench 測試。
在四種 model–harness 組合中，Harness² 為 GLM-5 與 Gemini 3.5 Flash 的基礎 harness 帶來提升：WorkBuddy-Bench 最高增加 11.5 分，JobBench 增加 4.5 分，LAB partial pass rate 增加 11.8 個百分點；提高 task-level recursion budget 還可繼續增加結果。不過，資料涵蓋三個專業 benchmark，尚不足以證明所有工具和模型組合都能受惠，而且每輪提出、測試及整合會增加執行成本。
需要多工具、複雜編排或持續接力的 Agent 團隊，較能感受到這種架構的價值；維護者可用 JobBench 流程建立環境，再按自身 executor 與評估基準測試。研究人員亦可沿用遞迴設計，但應核對額外呼叫、錯誤傳播及 improvement harness 累積錯誤等問題。