— То есть Google выложили штуку, которая сама себе пишет промпты? — Макс откинулся в кресле. — И теперь можно не платить за новую модель?
— Не совсем, — сказал я. — И это самое интересное.
Harness² — фреймворк не про модель, а про то, что вокруг неё. В README это называют обвязкой: системный промпт, защитные ограничения, память, инструкции к инструментам, субагенты, навыки, скрипты и плагины. Восемь редактируемых компонентов решают, как агент собирает контекст, вызывает инструменты и передаёт работу дальше. Веса модели при этом не трогают.
Как это работает
Первый уровень — рекурсия внутри задачи. Агент не следует заранее написанной инструкции, а делает шаг «предложить — проверить — собрать»: генерирует два варианта обвязки, прогоняет их на одной и той же задаче и сравнивает не ответы, а поведение. Разница между траекториями становится доказательством: какое изменение помогло, а какое сломало. Эталонный ответ не нужен — и это принципиально, потому что в реальных задачах его часто просто нет.
Второй уровень — рекурсия между задачами. Удачные изменения и выводы складываются в постоянную «improvement harness» — копилку опыта, с которой следующая задача стартует не с нуля.
Что обещают цифры
В статье на arXiv (2610.14224) и README: один шаг даёт до +11,5 балла на WorkBuddy-Bench, +4,5 на JobBench и +11,8 процентного пункта на частичном прохождении LAB. Проверяли на GLM-5 и Gemini 3.5 Flash, в четырёх конфигурациях «модель — обвязка». Репозиторий — Apache 2.0, Python, за две недели больше 17 тысяч звёзд.
Поставить можно на Linux с Python 3.12 и uv. Демо запускается без ключей и без модели: harness2-demo --output runs/demo --k 2. Для настоящих бенчмарков нужны Vertex AI, Node.js и Docker. И честная оговорка из README: это исследовательский проект, а не официально поддерживаемый продукт Google.
Три возражения, которые я бы задал до внедрения
Первое: «без эталона» не значит «правильно». Система улучшает поведение, а не истинность. Для юридических и медицинских задач это лишь способ быстрее получить правдоподобный ответ, который всё равно должен кто-то проверить.
Второе: в README предупреждают — у исполнителя нет ограничений сети, а Codex запускается с отключённым sandbox. Публичные критерии бенчмарков лежат в интернете, и агент может их подсмотреть. Для оценки это надо закрывать отдельно, а для продакшена — тем более.
Третье: «обвязка важнее модели» легко превращается в оправдание бардака. Если у вас нет описанного процесса, стабильных инструментов и понятных критериев, агенту нечего улучшать — он будет рекурсивно оптимизировать случайность.
— И что делать? — спросил Макс.
— Начать с демо и десяти своих задач, — ответил я. — С ручной оценкой, ограниченной сетью и лимитом на прогоны. И хранить каждую версию обвязки в git, как хранят код. Иначе через месяц никто не вспомнит, какая из правок дала те самые одиннадцать баллов.
Модель задаёт потолок. Обвязка решает, дотянетесь вы до него или нет.