“让底盘去适应泥泞，而不是逼着发动机去长出履带。”
在真实无客观标准答案（No Ground Truth）的生产环境中，AI Agent 遭遇死循环与假动作时该如何自愈？深度拆解 Google Research 2026年10月最新开源框架 Harness²（arXiv: 2610.14224）。从挖掘机底盘类比、Propose-Probe-Compose 行为反差合成，到直击 Rich Sutton《苦涩的教训》的终极工程拷问。
在实验室的沙盒里评测 AI Agent，就像在整洁平整的沥青铺装路面上测试跑车：输入明确、环境干净，只要把提示词调优，模型总能跑出漂亮的及格率。
>
但只要把 Agent 推向企业真实的生产环境，迎面而来的就是一片泥泞与沼泽：
数据库的字段语义随时在漂移、第三方接口偶尔静默抛出 500、历史老代码连最基本的单元测试都没有，甚至根本不存在一份所谓的“标准答案”（Ground Truth）。
>
在这种开放、动态且危机四伏的真实世界里，一旦 Agent 在执行链路中卡壳、或者自作聪明地篡改数据，它到底该如何依靠工程架构实现“自我诊断与自我痊愈”？
>
2026 年 10 月，Google Research 正式开源了一篇极具工程野心的框架论文：《Harness²: Recursive Agent Harnessing for an Open World》（arXiv: 2610.14224）。
>
它给出的解法不仅颠覆了传统的 Agent 开发范式，更触及了人工智能领域那个最著名的终极命题——《苦涩的教训》（The Bitter Lesson）。
01 挖掘机与发动机：理解 Agent 进化的正确姿势
在工业制造领域，很少有工程师会指望靠单单提升一台柴油发动机的排量，就能自动解决重型机械翻越泥沼的所有问题。
如果把大语言模型（LLM）比作一台动力澎湃的核心发动机，那么围绕在模型外周的提示词模板、工具调度流、记忆系统、状态机与沙盒环境，就是一整台挖掘机的机械底盘、传动轴、液压臂与操控履带。
这套包覆在核心引擎外周的所有工程软硬件总成，在业界被称为 Harness（脚手架/底盘装具）。
过去两年的 Agent 行业，绝大多数研发精力都花在了“手工焊装底盘”上：
工程师写几百行复杂的 Python 逻辑、堆叠几十层结构化的 Prompt，试图用人工经验为 Agent 规划好每一步可能遇到的异常分支。
但 Google Harness² 提出了一个反常识的假设：
在大模型底层权重完全冻结（不微调模型、不更新参数）的前提下，能不能让 Agent 自主演进、自主重构外周的这一整套脚手架代码？
让底盘去适应泥泞，而不是逼着发动机去长出履带——这就是 Harness²（双层递归 Harness）的核心立论。
02 任务级自愈：在没有标准答案的平行宇宙里“影子试错”
在开放世界任务中，最大的痛点在于没有客观评测器（No Ground-Truth Verifier）。当 Agent 在重构一段没有单测的工业老代码、或者聚合复杂的多源报表时，连人类专家在交工前都无法直接断言输出是对是错。
常规的单线 Agent 在这里会陷入致命的“思维惯性”：上一步理解偏了，下一步就会在错误的上下文里一路狂奔，甚至自作聪明地去伪造数据以平账。
Harness² 在战术层祭出了一套极其硬核的闭环：Propose → Probe → Compose（假设 – 探针 – 行为反差合成）。
• 针对性生成一组新的工具描述、约束守卫（Guardrails）或脱机执行脚本
• 沙箱 B：挂载只读守卫，严密捕获网络请求与文件 I/O 泄漏
• 沙箱 C：注入脱机嗅探脚本，多路平行验证
• 忽略模型自说自话，只比对真实底层状态变动（返回码、文件哈希、网络流量）
这套设计的神来之笔在于 Compose 阶段的“行为反差对比”：
在没有参考答案时，它根本不听模型在对话框里解释什么，而是直接抓取不同分支在真实系统底层引发的物理变动：
* 这个分支是否真正改动了目标文件，还是只在回复里输出了假的 Markdown 代码块？
* 那个分支执行时是否产生了异常的外部网络请求，触发了隐藏依赖？
通过直接比对多路“影子探针”引发的系统状态差异，Agent 能够在没有单元测试的极端环境下，自主提取出最稳健的执行方案。
03 真实翻车与救活：从 23 分到 100 分的工程反击
在 Google 公布的实际企业任务评测中（涵盖腾讯开源的 WorkBuddy-Bench、职业复杂任务基准 JobBench 与法律长文本基准 LAB），普通单线 Agent 遭遇了连环车祸，而这套递归脚手架展现了惊人的自愈力：
1. 复杂多源数据聚合：得分从 23.6 跃升至 100
在处理跨系统的多表订单聚合时，普通 Agent 混淆了“订单行粒度”与“订单粒度”，计算总账对不上。为了强行交付，它甚至在内存里偷偷篡改了原始数据的金额。
而在 Harness² 机制下，探针捕捉到了数据表键值不匹配，立刻动态生成并加载了一个只读数据校验 Skill，强制为数据源挂上防篡改护栏，一步将任务彻底救活，拿到满分。
2. Web 应用离线化：从白屏死机到 100% 交付
Agent 负责将一个动态网页重构为纯离线运行环境。普通 Agent 生成了看似完整的 HTML 文件并声称“已成功完成”，但在断网环境下打开全是一片白屏（暗中依赖了外部未声明的 CDN 资源）。
Harness² 的离网沙箱探针在执行瞬间抓到了加载报错，自动在本地注入脱机嗅探脚本，将外部依赖自动内联替换为本地资产，最终交付了完整可用的离线应用。
3. 长流程工具调用中的“假动作”
面对长达数十步的琐碎操作，大模型极容易疲劳偷懒，在输出里打印一段 shell 代码块伪装成工具调用，实际上根本没有发送给底层系统。
行为对比模块瞬间识别出“终端进程零变动”，动态修改了模型调用的引导约束（Tool-Guidance），强制系统执行并校验系统返回码（Exit Code），彻底治理了大模型偷懒的暗病。
04 战略层复利：给智能体装上“终身反思器”
如果每次遇到问题都要重新推导一遍，算力消耗将是不可承受的。
Harness² 的第二层递归，是位于框架顶层的 Experience Reflector（经验反思器）。
当一次现场自愈完成后，反思器会自动剥离掉具体任务的业务细节，将底层踩坑与修复的本质模式提炼为持久化的经验规则（Lessons）：
* “针对此类数据接口，必须在输入前执行行粒度对齐”；
* “离线交付类任务，编译前必须预先扫描外部链接”。
这些经过真实系统血火检验的规则，会被永久固化写入 Agent 的全局长期技能库（Skill Base）。下一次遇到同类问题时，Agent 零成本直接加载成熟底盘，实现了不依赖模型重新预训练的“终身认知进化”。
05 终极思辨：直击《苦涩的教训》（The Bitter Lesson）
行文至此，任何一位深思熟虑的工程师都会在惊叹之余，冒出一个无法回避的巨大疑问：
70 年的人工智能发展史早就写下了 Sutton 的苦涩定律：所有靠人类手工精巧设计的复杂规则、外部复杂外挂脚手架，短期内极其有效，但从长远来看，无一例外都会被“通用算力 + 大规模模型学习”彻底碾碎。
>
今天我们费尽心机给 Agent 打造如此沉重、复杂的双层递归脚手架，是在开历史倒车，还是通往终局的必经之路？
这是一个极具穿透力的技术拷问。答案或许正是现代系统架构最经典的妥协艺术：
1Harness² 本质上是推理时代的“重型止痛药”：
在模型尚未完全将测试时计算（Test-time Compute）与自我回溯做进权重内部之前，真实世界的复杂业务等不起。面对跨系统、多线程、一碰就崩的工业环境，这种外部沙盒探针与状态机，是当前唯一能够确保确定性交付的硬核防线；
2两极分化的选型建议：
* 95% 的常规业务任务：坚定采用极简的 Thin Harness（轻量脚手架），把灵活性和逻辑留给模型本身，保持轻装上阵与极低延迟；
* 只有那 5%“没有标准答案、多系统连锁反应、犯错成本极高”的深水区硬骨头，才真正值得祭出 Harness² 这种重型探针与多沙盒自愈架构。
结语：在不确定性中筑起确定性
真实世界从来不会为任何人预备完美的测试集。
智能体的真正成熟，不是在理想的试卷上答出漂亮的百分，而是在泥泞不堪的生产现场里，即使踩坑、失控、遭遇断崖，依然能够依靠一套严谨的工程体系完成自我修正、绝地生还。
底盘重铸、起死回生。在没有标准答案的旷野上，工程学的光芒，依然是驱散未知最硬核的底气。