# Google abre o código do Harness², framework que melhora agentes sem trocar o modelo

> O Google Research liberou em código aberto o Harness², um framework que otimiza o conjunto de prompts, ferramentas, memória e orquestração que envolve um modelo congelado. A proposta importa porque permite melhorar o desempenho de agentes em tarefas abertas, sem verificação automática de respostas e sem treinar um novo modelo.

Publicado em 2026-10-18 · https://invision.dreamvision.com.br/blog/google-abre-o-codigo-do-harness2-framework-que-melhora-agentes-sem-trocar-o-mode

## Pontos-chave
- O Google Research liberou o Harness² como código aberto para otimizar o entorno de agentes sem alterar pesos do modelo.
- O framework expõe 8 componentes editáveis montados como arquivos e usa orçamento k para escalar a busca.
- Foi desenhado para tarefas abertas sem verificador automático de respostas.
- Nos testes, executores mais fracos ganharam mais, e três de quatro configurações usaram menos etapas por tarefa no WorkBuddy-Bench.
- Rodar com modelo exige Node.js 20+, Google Cloud CLI e um projeto no Vertex AI.

## O que é o Harness² e por que ele chama atenção
O Google Research publicou como código aberto o Harness², um framework de "harnessing" recursivo para agentes de IA. A ideia central é separar o modelo do que fica ao redor dele: instruções, ferramentas, memória, habilidades e orquestração.

O framework atua sobre esse entorno, chamado de harness, durante a implantação. Os pesos do modelo nunca são alterados. Em outras palavras, o agente pode melhorar sem que haja um modelo novo por trás.

Para quem desenvolve, a mensagem é direta: parte do ganho de qualidade pode vir da engenharia do harness, não apenas de um upgrade de modelo.


## Como funciona a otimização recursiva na prática
O Harness² expõe oito componentes editáveis, cada um montado como um arquivo. Eles cobrem desde a construção de contexto até a interface de ferramentas, a delegação de tarefas e o comportamento dentro do loop de uso de ferramentas.

Segundo a notícia, esse layout estende em um componente a divisão de sete arquivos que vinha de um trabalho anterior de engenharia de harness para agentes.

O orçamento k controla a escala da busca. No modo paralelo, o sistema testa k candidatos invariantes e k candidatos de domínio, e depois produz k composições. No modo sequencial, encadeia k etapas de refinamento.

- 8 componentes editáveis, montados como arquivos
- Modo paralelo: candidatos invariantes e de domínio, seguidos de composições
- Modo sequencial: refinamento em etapas encadeadas
- Pesos do modelo permanecem congelados

## O cenário de mundo aberto e a ausência de verificador
O alvo do framework é o mundo aberto: tarefas chegam sem aviso e não existe um verificador dizendo se a resposta está certa. A equipe argumenta que a maioria dos métodos de autoaperfeiçoamento depende de rótulos ou casos de teste.

O Harness² foi construído justamente para operar sem esse tipo de sinal. Isso o torna relevante para fluxos reais, nos quais nem sempre há um gabarito disponível para avaliar cada saída do agente.

A consequência prática é que a melhoria precisa vir da estrutura do harness e da exploração de variações, e não de um conjunto rotulado de exemplos.


## Resultados nos benchmarks testados
A equipe testou três benchmarks profissionais: WorkBuddy-Bench, JobBench e o LAB da Harvey. Os executores foram Gemini 3.5 Flash e GLM-5, rodando em OpenCode e Codex. O editor padrão foi o Claude Opus 4.8, e os resultados são médias de três execuções.

Segundo a notícia, executores mais fracos ganharam mais. Após uma etapa, o GLM-5 superou o Gemini 3.5 Flash na configuração base no WorkBuddy-Bench. Com recursão paralela em k=5, o Gemini sob OpenCode chegou a 80,8 no WorkBuddy.

No WorkBuddy-Bench, três de quatro configurações também usaram menos etapas por tarefa. O Gemini sob OpenCode caiu de 25,4 para 21,9. Os números são os medidos no artigo do Harness², e os outros métodos não reportaram esses benchmarks por conta própria.


## O que é necessário para rodar o Harness²
O README do projeto indica Linux, Python 3.12 e uv. Há uma demonstração local que executa os dois modos de recursão sem credenciais de modelo.

Para execuções com modelo, são exigidos Node.js 20 ou superior, o Google Cloud CLI e um projeto no Vertex AI. O LAB precisa de Pandoc e Poppler, e o WorkBuddy-Bench requer Docker.

Por padrão, o executor é o OpenCode, com a opção de usar Codex por meio do parâmetro --substrate cx. A notícia não informa prazos de suporte, licença detalhada ou custos de execução.


## O que isso muda para quem usa IA
Para equipes que constroem agentes, o Harness² reforça uma separação útil: o modelo é uma peça, e o harness é onde boa parte do comportamento é definida. Ajustar arquivos de contexto, ferramentas e memória pode render ganhos mensuráveis antes de considerar a troca de modelo.

A abordagem também sugere um caminho de avaliação contínua em ambientes sem gabarito, algo comum em automações de trabalho real. Ainda assim, os resultados vêm de benchmarks específicos e não devem ser tratados como garantia de desempenho em qualquer domínio.

Ferramentas como a Invision, da Dream Vision, oferecem acesso a vários modelos de IA por uma única chave e com saldo em reais, o que ajuda a testar diferentes executores e configurações de harness sem trocar de integração a cada experimento.


## Perguntas frequentes
### O que é o Harness² do Google?
É um framework de código aberto do Google Research que otimiza o harness de um agente, ou seja, prompts, ferramentas, memória, habilidades e orquestração. Ele faz isso sem alterar os pesos do modelo.

### O Harness² melhora o modelo em si?
Não. O modelo permanece congelado. O que muda é o conjunto de arquivos e configurações ao redor dele, refinado de forma recursiva durante a implantação.

### Quais benchmarks foram usados nos testes?
A equipe testou WorkBuddy-Bench, JobBench e o LAB da Harvey, com Gemini 3.5 Flash e GLM-5 como executores em OpenCode e Codex, e Claude Opus 4.8 como editor padrão.

### O que preciso para rodar o Harness² localmente?
O README indica Linux, Python 3.12 e uv. A demonstração local roda os dois modos de recursão sem credenciais de modelo. Execuções com modelo exigem Node.js 20+, Google Cloud CLI e um projeto no Vertex AI.

### O Harness² funciona sem respostas certas para comparar?
Sim. O framework foi desenhado para o cenário de mundo aberto, no qual as tarefas chegam sem aviso e não há um verificador indicando se a resposta está correta.

Fonte original: [Google Open-Sources Harness2, a Recursive Agent Harnessing Framework](https://www.marktechpost.com/2026/10/18/google-harness2-recursive-agent-harnessing-framework/) (MarkTechPost).
