Google Research在GitHub公开的Harness²项目，展示了一种不修改模型权重、却能让智能体持续进化的工作机制。其核心思路是围绕每个具体任务动态优化“harness”，即提示词、工具调用、记忆模块与任务编排流程，并通过证据驱动的经验筛选，把可靠改进迁移到未来任务中。相比传统微调或强化学习需要更新大量参数，Harness²把优化对象上移到模型外层的控制与集成层，降低训练成本和部署风险，也更容易审计。该项目的出现契合当前智能体从“单次问答”走向“多步自主执行”的趋势：模型能力保持冻结，系统通过迭代调整外部脚手架逐步提升任务成功率。对于企业级AI应用，这种范式可能带来更轻量的持续优化路径。