AI 圈有个心照不宣的共识：想让 Agent 变聪明，最正统的路是等下一代底座模型。参数更大、上下文更长、训练更贵，然后祈祷它突然开窍。
谷歌这次偏不。
它开源了一套名叫 Harness² 的东西，不动模型一个权重，只给模型套上一层能自我修改的运行脚手架。结果 GLM-5 在办公基准 WorkBuddy-Bench 上直接涨了 11.5 分，把原版没改脚手架的 Gemini 3.5 Flash 甩在身后。
这不是模型竞赛，这是一场针对运行期的政变。
一个插件，跑分起飞
谷歌开源 Harness² 的消息出来，最扎眼的不是技术名词，而是一组对比。
在 WorkBuddy-Bench 这套覆盖代码、网页、办公套件三大工作流的基准上，GLM-5 接入 Harness²、只做单步改进，OpenCode 脚手架下从 64.2 分跳到 75.7 分，Codex 脚手架下从 64.4 分跳到 75.3 分。而原版 Gemini 3.5 Flash 的分数是 72.4 分和 74.5 分。
翻译成人话：一个被优化了脚手架的 GLM-5，打赢了没被优化的 Gemini 3.5 Flash。
同样的事在另外两个硬核基准上也发生了。端到端岗位任务 JobBench 上，单步改进让 Gemini 3.5 Flash 涨了 4.5 分、GLM-5 涨了 3.6 分。Harvey 开源的顶级法律智能体基准 LAB 上，GLM-5 的部分通过率拔高 11.8 个百分点。如果把并行探测预算拉到 k=5，WorkBuddy-Bench 还能再涨 3.9 分，JobBench 再涨 4.2 分，LAB 再涨 6.7 个百分点。
更值得玩味的是迁移测试。团队把在 JobBench 上攒下的经验库直接搬到 WorkBuddy-Bench，没多花一次探测，代码、网页、办公三项得分分别再提高 0.6、0.5 和 2.9 分。
这套东西已经全面开源，支持 OpenCode 和 Codex 两套主流执行脚手架。论文共 9 位作者，华人研究者占 78%，据量子位统计。一作兼通讯作者 Ruiyao Xu 是美国西北大学统计与数据科学系博士生，这篇工作是他在谷歌实习期间完成的。
RSI 为什么老翻车
递归自我改进，Recursive Self-Improvement，简称 RSI。这个概念业内念叨了很多年，思路极其性感：让 AI 自己写代码、自己改提示词、自己优化系统，像滚雪球一样越变越强。
但现实很骨感。只要把 RSI 从实验室的刷题环境放进真实的开放世界，几乎全军覆没。
症结有两处。
一处是没有标准答案。实验室里刷题，有单元测试、有 Ground Truth，改得好不好一测便知。可真实打工场景里，写一份商业企划案、审一份法律合同，线上根本没人给你打分。AI 自己改了一版 Prompt，它怎么知道是变聪明了，还是在自我催眠。
另一处是过度拟合单次任务。好不容易为了修某个任务把脚手架魔改一通，下一个任务换成写爬虫，之前改的规则全成了累赘。硬把改完的脚手架套给新任务，系统很快陷入噪声螺旋，越改越傻。
论文里有一组对照很能说明问题：ReasoningBank 这套思路在代码任务上，比基础脚手架反而低了 6.6 分。Harness Scaling 在十二个基准与配置的组合里，有七个不如基础版。RSI 不是不美，是美得太脆弱。
双层递归：左手做实验，右手记笔记
Harness² 这个名字里的平方，指的就是两层互相嵌套的递归循环：任务级递归和改进级递归。
任务级递归，解决的是没有标准答案的问题。
面对一个新任务，系统先用初始脚手架跑出一版参考轨迹。结果对不对先不管，核心是看模型执行过程中暴露出什么缺陷。然后启动一套叫 Propose-Probe-Compose，也就是提议、探测、合成的机制。
Propose 阶段，专门的编辑角色针对刚才的轨迹提出两套修改方案。一套抓跨领域通用毛病，比如规划混乱、工具调用死循环、上下文爆炸。另一套针对当前业务的特定知识和约束。
Probe 阶段，把两套候选脚手架放回同一个任务里各跑一遍。没有裁判没关系，系统抓取它们的执行轨迹和参考轨迹做行为对比，看改动到底有没有解决卡住的步骤，有没有引发新的逻辑退化。
Compose 阶段，合成器把所有执行证据摆在一起，只挑那些被行为证据证明有效的改动，合并进最终脚手架。这套流程还支持并行扩展，一次生成 k 组候选，共 2k 个候选脚手架，并发探测后再独立合成，把搜索空间进一步拓宽。
改进级递归，解决的是过度拟合单次任务的问题。
很多系统做完一个任务，生命周期就到头了。Harness² 把整个调试记录，包括参考轨迹、候选修改、对比证据、合成决策，交给反思模块。反思模块复盘后写一份 EXPERIENCE.md，把这次为什么这么改、在什么条件下起效、带来什么后果，存进持续改进经验库。
等下一个新任务进来，执行端拿到的依然是干干净净的基础脚手架，但负责改脚手架的那个改进大脑，手里已经攥着厚厚的历史经验手册。提议和合成阶段，它能直接检索过往相似场景的有效组件和避坑指南。
改进的不只是眼前的脚手架，更是未来改进脚手架的能力。单次任务的临时修补，就这样变成了终身学习的认知资产。
弱模型加好脚手架，为什么能打赢强模型
论文里有一句结论很直白：一个弱模型配上改进后的脚手架，可以战胜一个强模型配上原始脚手架。
这句话戳破了过去两年 AI 圈最大的幻觉。所有人都把期待押在底座模型 Scaling 上，总觉得等下一代 GPT 出来，手头的应用问题就迎刃而解。基座模型越来越贵，边际效益却在放缓，而落地场景里的长尾 bug 无穷无尽。
你给模型再大的上下文窗口，它在处理跨文件对账时依然会偷懒。你给它再高的跑分，它写完报告依然不会主动打开文件去校验格式。这些东西，靠预训练参数永远喂不饱。它需要的是一套能在运行中自我感知、自我修补、持续进化的运行期认知工程。
以前搭脚手架，是工程师坐在电脑前一条一条手写 Prompt、配工具、修管道，累得半死还到处漏风。Harness² 证明了一条新路：把规则制定的权力，还给 Agent 自己。
这也解释了为什么 GLM-5 的涨幅比 Gemini 3.5 Flash 更猛。在 WorkBuddy-Bench 和 LAB 上，初始脚手架更弱的一方反而拿到更大的绝对收益。外挂越破，穿上铠甲后的提升越夸张。
开源之后，谁最危险
Harness² 已经开源，支持 OpenCode 和 Codex。这意味着任何一个团队，都能把自己的 Agent 套进这套递归框架里，不训模型、不碰权重，只优化运行脚手架。
对大厂来说，真正的威胁不是某个新模型，而是模型不重要了这件事正在被验证。当外围脚手架能带来 11.5 分的基准跃升，当经验库能跨任务、跨领域迁移，当并行探测还能继续榨出 3.9 分时，底座模型的护城河就被凿开了一道口子。
未来一段时间，值得盯两个方向。一是看这套框架能不能从办公、法律、岗位任务这些基准，真正渗进企业级工作流，把 EXPERIENCE.md 变成公司自己的运营资产。二是看开源社区会不会基于它长出一堆垂直领域的经验库市场，卖铲子的人从卖模型变成卖脚手架和认知资产。
过去我们以为 AI 的进化靠参数，现在有人证明，进化也可以靠一套会自我修改的外挂。
模型还是那个模型，但跑起来的它，已经不是原来的它了。
快报