Hugging Face发布Harness^2框架：革新智能体递归自改进技术

摘要：Hugging Face推出Harness^2框架，旨在解决开放世界环境下智能体递归自改进（RSI）面临的挑战。该框架通过任务级和工具级两层递归机制，实现了无需真实验证器的智能体执行策略优化，并支持跨任务泛化。实验表明，Harness^2在多个专业基准测试中显著提升了GLM-5和Gemini 3.5 Flash的性能，任务得分最高提升11.8个百分点。Harness^2展示了递归自改进技术在开放世界任务中的巨大潜力，为智能体在复杂场景下的自适应能力提供了新思路。

---

Harness^2框架的核心机制

Hugging Face发布的Harness^2框架通过以下机制解决了智能体在开放世界环境下的递归自改进问题：

1. 任务级递归（Task-Level Recursion）：

   • 采用对比性的Propose-Probe-Compose步骤，对当前任务的执行策略进行优化。
   • 该方法无需依赖真实验证器即可指导策略的在线编辑，并支持通过并行或顺序递归进一步扩展。

2. 工具级递归（Harnessing-Level Recursion）：

   • 从任务级递归的编辑中提取经验，更新持续改进的策略工具。
   • 这一机制使智能体能够更好地适应未来任务，提升其在开放世界中的泛化能力。

工程权衡与性能表现

• 优势：

  • Harness^2框架无需真实验证器即可实现策略优化，降低了对标注数据的依赖。
  • 通过递归机制，Harness^2能够处理开放世界中的复杂任务，并支持跨任务泛化。

• 挑战与权衡：

  • 递归自改进过程可能引入额外的计算开销，尤其是在高递归深度的情况下。
  • 任务级递归的效率依赖于Propose-Probe-Compose步骤的准确性，可能需要针对特定任务进行微调。

实验结果表明，Harness^2在WorkBuddy-Bench、JobBench和LAB等基准测试中表现优异，GLM-5和Gemini 3.5 Flash的性能分别提升了11.5、4.5和11.8个百分点。

开发者落地与部署建议

• 适用场景：

  • 适用于需要在开放世界中执行复杂任务的智能体应用，如自动化客服、虚拟助手和机器人控制等。

• 部署建议：

  • 在实际部署中，建议结合任务的具体需求，对Propose-Probe-Compose步骤进行优化，以提升策略优化的效率。
  • 可以考虑将Harness^2与现有的智能体框架集成，以充分利用其递归自改进能力。

• 未来展望：

  • Harness^2展示了递归自改进技术在开放世界任务中的巨大潜力，未来可以进一步探索其在多智能体系统中的应用，以及与其他AI技术的结合。

---

消息来源：Hugging Face Daily Papers (2026-10-09)

—— 完 ——

主题标签： #Hugging Face 关注 #智能体 关注 #递归自改进 关注 #开放世界 关注 #AI框架 关注