Google Cloud AI Research, dondurulmuş model ağırlıklarını değiştirmeden AI sistem performansını artırmak için tasarlanmış yeni bir yinelemeli ajan çerçevesi olan Harness²'yi açık kaynak haline getirdi. 0.1.0 sürümü olarak yayınlanan çerçeve, temel parametreleri yeniden eğitmek yerine dağıtım sırasında modelin etrafındaki kod ve dosyaları optimize eder. Sistem, görevlerin önceden görülmediği ve gerçek doğrulayıcıların bulunmadığı açık bir dünyada çalışarak, ajan optimizasyonunu çalışma zamanındaki çevresel ayarlamalarla ele alır.
Çerçeve, sistem istemleri, koruma hatları, bellek, araç rehberliği, alt ajanlar, beceriler, betikler ve eklentiler dahil olmak üzere dosya olarak monte edilen sekiz düzenlenebilir bileşeni ortaya çıkarır. Harness², bu öğeleri iyileştirmek için iki seviyeli yineleme kullanır. Görev‑seviyesi yineleme, bir editörün gözlemlenen davranışa dayanarak aday iyileştirmeleri değerlendirdiği karşıt önerme, sorgulama ve birleştirme adımını içerir. Çerçeve‑seviyesi yineleme ise benimsenen değişiklikleri ve dersleri bir deney dosyasında saklayarak gelecekteki önerileri yönlendirir.
WorkBuddy-Bench, JobBench ve Harvey's LAB gibi benchmark testlerinde Gemini ve GLM‑5 gibi yürütücüler kullanılarak yapılan denemelerde, tek bir iyileştirme adımı tüm test edilen model ve harness yapılandırmalarını geliştirdi. Özellikle, OpenCode altında GLM‑5, WorkBuddy-Bench'te 11,5 puan yükselerek, daha zayıf yürütücülerinin bile çerçeveyi kullanarak önemli kazançlar elde edebileceğini gösterdi. Bu yinelemeli yaklaşım, geliştiricilere test aşamasında ajan yeteneklerini artırmak için yapılandırılmış bir yöntem sunar.