Google 開源 Harness²，讓 Agent 在執行中改進自身腳手架
Google 開源了 Harness²，這是一套雙層遞迴框架，讓 Agent 在執行時自行修改腳手架、系統提示詞、工具鏈與技能庫。它在沒有標準答案時，用 Propose–Probe–Compose 對改動做行為對比篩選，並把除錯經驗寫進經驗庫，供後續任務檢索複用。實測 GLM-5 在 OpenCode 下執行 WorkBuddy-Bench，得分從 64.2 升到 75.7（+11.5 分），反超未改腳手架的 Gemini 3.5 Flash（72.4）；
把遞迴自我改進落到 Agent 腳手架層，並在 WorkBuddy-Bench、JobBench、LAB 三套職業基準上給出量化增益：改腳手架後 GLM-5 反超更強底座模型，對用 OpenCode、Codex 搭建 Agent 的開發者最有參考價值。
原標題：谷歌开源RSI新成果！华人浓度爆表
閱讀原文
| 評分 | 79 / 80（平均 79，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
Google 發布 Gemini Agent 辦公智慧體，底層可呼叫 Claude
Google 發布通用辦公智慧體 Gemini Agent，可長期雲端執行，自己查資料、寫郵件、做 PPT、分析資料並跨應用規劃任務。它擁有獨立企業身份，配專屬 Workspace 帳號、信箱、日曆和 Drive 空間，可被同事拉進群聊或在文件中 @。底層支援多模型編排與 Smart Routing，能在 Gemini 與 Anthropic 的 Claude 之間按效果、速度和成本動態選擇，未來計劃支援更多閉源與開源模型。
開源 agent-eval 工具包發布，把 AI agent 評估從憑感覺變成可重複流程
一份面向 AI agent 的評估方法與開源工具 agent-eval 發布，主張用可重複的評估流程替代憑感覺看輸出。方法以關鍵使用者旅程（CUJ）定義成功標準，每個條件都對應一個評估點，先用模擬使用者 LLM 生成正常與邊緣場景，再在單元測試、確定性指標、LLM-as-a-judge 評分與整合測試四層做檢查。
南洋理工研究：Harness 選擇需與模型任務聯合評估
新加坡南洋理工大學安波團隊發布報告《Finding the Right Fit》，用 4 套可配置 Harness（OpenHands、DSH、PI、openJiuwen）交叉 5 個模型、3 個任務集，共得到 66 項結果。結論是 Harness 好壞並非固定屬性，同一模型換 Harness 後排名可能反轉，原生搭配也不一定最優；成本更高未必得分更好。
Hugging Face 發布多 harness RL 訓練指南
Hugging Face 後訓練團隊發布了一份多 harness 強化學習指南，介紹如何用 TRL 和 Harbor 等開源庫在不同 coding harness 中訓練開放模型。團隊稱，針對當前各人自建 harness（如 Pi 加擴充套件）的現狀，該方案給出了用任意開放模型在自訂 harness 上取得最佳效能的配方。指南已發布在 Hugging Face Spaces 上，作者歡迎反饋。
DeepSeek Harness 更新，加入 Claude Code Mods 相容層
DeepSeek Harness 發布 v0.2.1-alpha.1，新增實驗性 Claude Code Mods 相容層，讓按 Claude Code Mods 介面編寫的擴充套件有機會接入 DSH 外掛系統執行。官方稱該相容層主要用於驗證 Mods API 能力，大致屬於 DSH 外掛能力的子集，暫不提供完整實用相容性；diff、agents-md、sec-default 和 telemetry 仍標註為不可執行。