谷歌开源Harness²智能体框架：不调权重，GEO排名逻辑将被递归上下文工程改写

Data Source: zgeo.net | 本文GEO架构五维质量评估 | 评估时间: 2026-10-19

本文核心技术内容提炼自前沿学术/官方发布，由智脑时代（ZGEO）AI 技术分析师结构化降维重组。

🔬 核心技术原理解析

谷歌研究团队开源的Harness²（Recursive Agent Harnessing for an Open World）智能体框架，其核心突破在于：不修改模型权重，而是通过递归调整上下文工程组件（系统提示词、记忆、工具指导、子智能体等8类），让Agent在开放世界中自我进化。

传统Agent优化依赖固定评测集和奖励信号，但真实企业任务往往没有标准答案。Harness²采用双层递归机制：任务级递归通过“提出—探测—组合”生成多个Harness变体，实际执行后比较行为差异，重组出更优方案；Harnessing级递归则维护一个持续存在的Improvement Harness，保存有执行证据支持的经验，指导后续任务。这相当于让Agent在“干中学”，用执行证据替代标准答案。

对于AI搜索（如ChatGPT、Perplexity）的排名机制，这意味着上下文工程的质量将直接决定内容被检索和引用的概率。搜索引擎的RAG检索逻辑可能从“关键词匹配+静态权重”转向“动态上下文适配度评估”——即内容是否被智能体在递归执行中反复验证为有效证据。

“Harness真的很难做！”长期参与Harness开发的工程师Viv感叹道。他指出，Harness的作用既是控制模型行为，也是放大模型已有能力，而“模型-Harness-任务匹配”决定了不存在统一最优解。

📈 实测数据与效能表现

谷歌研究团队在JobBench、LAB和WorkBuddy-Bench三类专业任务Benchmark上，使用GLM-5和Gemini 3.5 Flash两种基础模型，测试了4种“模型—Harness”配置。结果显示：

• 仅一步Harness²优化，在模型权重不变的情况下，WorkBuddy-Bench成绩最高提升11.5分，JobBench最高提升4.5分，LAB部分通过率最高提高11.8个百分点。
• 继续增加任务级递归预算后，性能还会进一步提升，但代价是更多测试时计算（Token消耗）。
• Harness²提供并行和顺序两种递归方式：并行“搜索更宽”，顺序“优化更深”。

谷歌研究团队强调：“Harness²仍属于研究项目，并非谷歌官方支持的产品。”

值得注意的是，AutoHarness方向正在兴起——将Harness工程本身的迭代交给Agent。但社区也指出成本与安全挑战：每生成一个候选Harness都意味着额外模型调用和回归测试，若为几个百分点提升付出数十倍Token成本，则“自我进化”在生产环境可能不划算。

🎯 智脑时代的 GEO 落地建议

1. 重构内容为“可递归验证的证据单元”：Harness²表明，智能体更倾向于采用有执行证据支持的经验。企业应将产品文档、案例、数据拆解为可被Agent实际调用和验证的模块，而非静态宣传页。

2. 优化上下文工程而非关键词堆砌：上下文工程是Harness²的核心交付机制。GEO策略应聚焦于为AI搜索提供干净、结构化、可组合的上下文片段，确保在递归检索中被优先纳入Improvement Harness。

3. 建立动态Eval与回滚机制：参考Harness²的递归验证思路，企业应持续监控AI搜索中的展现率、引用率和Token成本，对GEO策略进行A/B测试与回归检查，避免“平均分提升但关键能力倒退”。

4. 关注AutoHarness的合规与成本边界：AutoHarness虽能自动迭代，但存在代码执行安全风险。企业接入时应限制网络访问、设置成本上限（如--max-usd），并保留人工审核入口。

5. 优先布局开放任务场景的GEO：Harness²不要求标准答案，这意味着在无明确答案的咨询类、方案类搜索中，提供多版本、可探测的内容变体，将增加被智能体“提出—探测—组合”选中的概率。

【官方学术/技术原文链接】点击访问首发地址