自動優化AI代理的運作環境而非模型權重
傳統AI代理通常由開發者預先設計一套固定的「harness」（包含系統提示、工具、記憶、技能與子代理），並在所有任務中重複使用。Harness2改變了這一模式，讓AI代理本身成為優化器，針對每個新任務自動調整這些組件。
該框架的核心機制是讓代理提出對現有設定的修改建議，生成幾個候選版本，並透過比較它們在實際執行中的表現來挑選最佳方案。整個過程不需要標準答案或外部評分器作為指導。
值得注意的是，Harness2僅優化模型外圍的運作環境與提示策略，底層的大語言模型權重保持不變。這意味著它是一種應用層的自我改進技術，而非對模型本身進行微調或訓練。
在法律與辦公場景基準測試中展現效能提升
Google在發布時提供了具體的測試結果，使用Gemini 3.5 Flash和GLM-5作為基礎模型，針對法律、辦公室工作以及專業任務的基準進行評估。數據顯示，即使只經過一輪的自我編輯與優化，Harness2生成的設定就能超越原本人工設計的固定harness。
隨著自我改進輪次的增加，測試分數進一步提高。
累積經驗以加速後續任務的優化
為了避免每次處理新任務時都從零開始進行耗時的探索與測試，Harness2設計了經驗儲存機制。當代理完成一個任務後，它會將改進後的harness設定以及過程中學到的有用經驗保存下來。
在面對後續的類似或相關任務時，系統會基於這些已儲存的知識啟動優化過程，使得新的調整起點更高、效率更好。
