想让一个智能体更强，行业默认的念头是「动模型」——训练、微调、蒸馏，总之要碰权重。10 月 9 日提交、10 月 18 日随代码开源的论文 Harness²（编号 2610.14224，来自 Google Cloud AI Research 与西北大学，Apache 2.0）把这条路绕开了：它让智能体在执行任务的过程中，自己改写自己周围的「外壳」，而且不需要任何人告诉它改得对不对。
什么是 harness，为什么它决定表现
一个智能体的能力，一半在模型，一半在那圈包着模型的「外壳」——系统提示怎么写、工具怎么调、记忆装什么、子智能体怎么协调、技能与脚本怎么组织。Harness² 把这八类组件每个都挂成一个可编辑文件，模型权重全程冻住。它的主张很直接：你的智能体也许不用换更好的模型，把外壳改好就能涨分。这和近期一众「harness 级递归自改进」研究是同一条脉络，但 Harness² 把场景压到了开放世界——任务 unseen、没有验证器告诉你答案对不对。
两层递归：一层改当下，一层攒经验
Harness² 的核心循环叫 Propose-Probe-Compose。任务先用基础外壳跑一遍，再由一个编辑器提出两组修改候选：一组针对通用智能体缺陷（比如规划或工具使用），一组针对当前领域知识。两组候选在同一任务上分别试跑，组装器对比三份执行轨迹，只保留有行为证据支撑的改动。它不靠标准答案，靠改动前后的行为差异来判断好坏。第二层递归在任务之间：每次采纳的改法和经验教训写进一份持久化的 EXPERIENCE.md，攒成改进库，下一个任务起步就站在历史之上。默认编辑器是 Claude Opus 4.8，执行器用 OpenCode 或 Codex——一家公司的框架，默认借了竞争对手的模型当编辑器，足见这个领域已经多么工具无关。
数字与边界
论文给出的内部测试结果：GLM-5 配 OpenCode，在 WorkBuddy-Bench 上从 64.2 涨到 75.7，单步提升 11.5 分；法律基准 LAB 的部分通过率提升 11.8 个百分点；JobBench 最高涨 4.5 分；Gemini 3.5 Flash 在 k=5 时 WorkBuddy-Bench 到 80.8。一个规律很清晰——弱者空间更大，一步优化后 GLM-5 追平了未优化的 Gemini 3.5 Flash。但这篇不是没有保留：论文自己承认出现了 9 次性能回退，递归搜索也实打实地增加了推理成本与延迟，官方也提示部署时要自己配好沙箱与网络限制。把它和站内此前的「控制 harness 成本治理」「长程智能体在线 RL」放到一起看，这类工作的共识正在浮现：模型能力决定地板，外壳质量决定天花板能摸多高。
目前官方及行业暂未披露更多细节，包括各基线绝对值的完整披露与独立复现进展，后续将持续跟进迭代动态。这篇把「不改权重也能变强」从口号推进成了可复现、可开源的工程，对做智能体基建的团队，值得拿来对照自己的外壳调优流程。