谷歌开源RSI新成果！华人浓度爆表

当前任务做完了，交付物交出去了，很多系统的生命周期就到此为止了。

但Harness² 真正厉害的在后头——

把整个调试记录（参考轨迹、候选修改、对比证据、合成决策）交给反思模块（Experience Reflector）。

反思模块复盘之后，会写一份EXPERIENCE.md，把这次为什么这么改、在什么条件下起效、带来了什么后果，清清楚楚存进持续改进经验库（Harness Improvement Library）。

等到下一个新任务进来时：

执行端拿到的，依然是一个干干净净的基础脚手架。

但是负责改脚手架的那个“改进大脑”，手里已经攥着厚厚的历史经验手册。在提议和合成阶段，它能直接检索过往相似场景下的有效组件和避坑指南。

改进的不只是眼前的脚手架，更是未来改进脚手架的能力。

这就把单次任务的临时修补，变成了终身学习的认知资产。

跑分实测

机制讲得再漂亮，终究得拿真实战场的数据说话。

团队直接上了三个极具分量的硬核职业基准：

WorkBuddy-Bench：涵盖代码（Code）、网页（Web）、办公套件（Office）三大高难度办公工作流；

JobBench：长程端到端复杂专业岗位任务；

LAB：Harvey开源的顶级法律智能体基准。

底座模型选了Gemini 3.5 Flash和GLM-5，执行脚手架挑了开源主流的OpenCode和Codex。

结果极其夸张。

在WorkBuddy-Bench测试里，仅仅进行单步Harness² 改进（$k=1$）：

GLM-5在OpenCode下综合得分从64.2狂飙到75.7，暴涨11.5分；在Codex下也从64.4飙到了75.3。

Gemini 3.5 Flash在OpenCode下从72.4提升到77.5，在Codex下从74.5提升到77.5。

<img decoding=