Google udostępnia w otwartym kodzie Harness2, który pozwala agentom AI przepisywać własny harness

Google Research udostępniło Harness2, otwartoźródłowy framework dla agentów AI, na licencji Apache-2.0. Narzędzie, zapowiedziane 18 października 2026 roku, przebudowuje harness otaczający agenta w trakcie jego testowania, zamiast pozostawiać tę konstrukcję bez zmian.

Według opublikowanego podsumowania pojedynczy krok udoskonalenia podniósł wynik modelu GLM-5 w teście WorkBuddy-Bench o 11,5 punktu. Ten wzrost miał zostać osiągnięty bez aktualizacji wag modelu.

Dlaczego harness ma znaczenie

W systemach agentowych harness to warstwa otaczająca model: jego instrukcje, narzędzia, które może wywoływać, oraz logika sterowania decydująca o przebiegu zadania. Ten sam model może działać zupełnie inaczej w zależności od takiej konfiguracji. Harness2 stosuje podejście rekurencyjne, pozwalając systemowi przeprojektować tę warstwę zamiast polegać na ręcznym dostrajaniu przez inżynierów.

Ponieważ nie jest wymagane ponowne trenowanie, podejście to wskazuje sposób na wydobycie większych możliwości z istniejących modeli bez kosztownych sesji treningowych. Może to zainteresować zespoły, które nie mają zasobów na budowanie lub dostrajanie własnych modeli.

Otwarte pytania

Publicznie dostępnych szczegółów jest na razie niewiele. Nie wiadomo jeszcze, czy podobne efekty występują w innych modelach i testach porównawczych, co dzieje się przy wielu krokach udoskonalania ani ile dodatkowej mocy obliczeniowej wymaga ten proces. Podana poprawa o 11,5 punktu dotyczy jednego modelu w jednym teście.

Liberalna licencja oznacza jednak, że niezależni badacze mogą samodzielnie sprawdzić te twierdzenia. Premiera wpisuje się w rosnące przekonanie w branży, że skuteczność agentów zależy nie tylko od modelu bazowego, ale też od struktury zbudowanej wokół niego, a Harness2 stanowi konkretną próbę zautomatyzowania tej części pracy.