Google convierte el arnés del agente en objeto de optimización y le pone dos bucles

Un arnés es todo lo que rodea al modelo y le permite actuar: el prompt de sistema, las definiciones de herramientas, la memoria, las habilidades, los subagentes, la orquestación. Ajustar ese montaje es el trabajo de arnesado. Casi todos los equipos lo hacen a mano, mal, un fin de semana, y ahí lo dejan.
Harness Squared, publicado por Google Research en GitHub con 23.849 estrellas, convierte eso en un bucle y encima añade un segundo.
El artículo es arXiv:2610.14224, la licencia Apache 2.0, y el repositorio dice sin rodeos que no es un producto con soporte oficial de Google. Entre los autores están Ruiyao Xu, Yanfei Chen y Tomas Pfister. Lo que construyeron es un marco para lo que llaman arnesado recursivo de agentes en un mundo abierto, donde los agentes se topan con tareas que nadie vio al diseñar el arnés.
Dos recursiones, pesos congelados
El modelo no cambia nunca. Todo lo que mejora vive en el andamiaje.

La recursión de nivel de tarea afina el arnés para la tarea que tiene delante. El mecanismo es un bucle de contraste que los autores llaman Propose, Probe, Compose. Un editor propone cambios, un ejecutor corre candidatos con esos cambios en la misma tarea y un compositor arma un arnés refinado a partir de las diferencias de comportamiento entre ejecuciones.
El detalle que importa: este paso no necesita verdad de referencia. Dos arneses hicieron la misma tarea y se comportaron distinto. Esa diferencia es la señal. No hace falta saber qué respuesta era correcta, solo qué cambió al cambiar el andamiaje.
La recursión de nivel de arnesado va por encima. Tras cada tarea, un reflector de experiencia toma el arnés adoptado y las lecciones que sostienen las pruebas, y las escribe en un arnés de mejora persistente. La tarea siguiente arranca desde un punto mejor.
Ocho piezas que puedes tocar
El marco expone ocho componentes alrededor del modelo, agrupados por lo que hacen en tiempo de ejecución.
El prompt de sistema, las barandillas, la memoria y las habilidades construyen contexto. La guía de herramientas y los scripts definen la interfaz. Los subagentes se hacen cargo del trabajo delegado. Los plugins controlan el middleware.
La lista le suena a cualquiera que haya construido un agente. Lo raro es tratar las ocho como espacio de búsqueda. Normalmente se fijan una vez al principio y no se vuelven a mirar.
Qué dicen los números
En tres benchmarks profesionales y cuatro configuraciones de modelo y arnés, un solo paso de Harness Squared puso a GLM-5 y Gemini 3.5 Flash por encima de sus arneses base.
Las ganancias: hasta 11,5 puntos en WorkBuddy-Bench, 4,5 en JobBench y 11,8 puntos porcentuales en la tasa de aprobado parcial de LAB. Subir el presupuesto de recursión de nivel de tarea dio más ganancia, y ese es el resultado que más importa. El mecanismo escala con cómputo en vez de saturarse tras una pasada.
Vale la pena nombrar los benchmarks, porque explican por qué el arnés pesa aquí. JobBench cubre trabajo profesional. LAB cubre trabajo legal. WorkBuddy-Bench se divide en oficina, web y código. Son tareas donde un modelo fuerte con un andamiaje mediocre pierde contra uno más flojo bien pertrechado. Es justo la condición que la optimización de arneses debe explotar.
Cómo se ejecuta de verdad
La instalación da por hecho Linux, Python 3.12 y uv.
uv venv --python 3.12 .venv
source .venv/bin/activate
uv pip install -e '.[render]'
harness2-demo --output runs/demo --k 2
Esta demo corre los dos modos de recursión con editores deterministas y ejecución real de Python, y no pide credenciales de modelo. Es la vía más rápida para ver el bucle antes de gastar nada.
Los benchmarks con modelo piden más: Node.js 20 o superior, la CLI de Google Cloud y dependencias por benchmark. LAB quiere Pandoc y Poppler. WorkBuddy-Bench quiere Docker. Después copias el archivo de entorno de ejemplo, lo apuntas a un proyecto de Vertex AI y a unos ID de modelo, y te autenticas con las credenciales predeterminadas de la aplicación.
Lanzar un benchmark son cuatro pasos: montarlo, comprobarlo, ejecutarlo, juzgarlo y emitir el informe.
harness2-setup lab
harness2-check --bench lab
harness2 --bench lab --k 1 --mode parallel --only-domains antitrust-competition --max-tasks 1
harness2-judge --bench lab --k 1 --mode parallel
harness2-report --bench lab --k 1 --mode parallel
El juicio y el informe tienen que usar el mismo benchmark, ejecutor, subconjunto, presupuesto de recursión, modo y semilla que la pasada de refinamiento, o los números no cuadran. `--dry-run` previsualiza la selección de tareas sin llamar al modelo.
Hay dos modos de recursión. Parallel sondea k candidatos generales y k específicos del dominio, y produce k composiciones con la evidencia compartida. Sequential arrastra el arnés refinado y la evidencia acumulada por k pasos seguidos. El resumen del repositorio: parallel explora más ancho, sequential afina más hondo.
El aviso que hay que leer dos veces
El README tiene una sección sobre acceso a red que parece una nota añadida al final. No lo es. El acceso a red del ejecutor no tiene restricciones y Codex corre con la sandbox desactivada. Las rúbricas públicas de los benchmarks quizá estén accesibles en línea.
Dicho de otro modo, un agente que está siendo evaluado puede ir a buscar la hoja de respuestas. Los autores dicen que hay que configurar restricciones de red antes de evaluar para impedir el acceso a las respuestas y a los criterios de corrección. Es una admisión sincera, y es la clase de cosa que infla en silencio los resultados de benchmarks de agentes publicados por todas partes.
Por qué importa el encuadre
El trabajo con agentes en 2026 se divide en dos bandos: modelos más grandes o andamiajes artesanales más elaborados. Este artículo sostiene que el andamiaje debe ser el objeto de la optimización, y que el bucle puede girar sin etiquetas.
En la lista de componentes hay un argumento más callado. Si ocho partes del arnés se editan por separado, una mejora atribuida al prompt puede venir de la memoria, y una regresión que se le achaca al modelo puede salir de una barandilla añadida tres versiones atrás. Trabajar el arnés a ese nivel de detalle deja un rastro de auditoría que el ajuste a mano nunca produce.
Para quien corre agentes en producción hay una consecuencia práctica. No necesitas un conjunto de datos etiquetado para mejorar tu arnés en tus tareas. Necesitas dos variantes y una forma de comparar su comportamiento.
Los límites son igual de prácticos. Las ganancias se miden en benchmarks profesionales con rúbricas publicadas, y un arnés ajustado contra una rúbrica es un arnés ajustado a esa rúbrica. Si la mejora sobrevive a una distribución de tareas para la que nadie escribió un corrector sigue siendo la pregunta abierta, y el artículo no afirma lo contrario.
Hay otra restricción en el código, no en el texto. El marco admite dos ejecutores, OpenCode por defecto y Codex detrás de un flag, y los dos no se comportan igual. Un arnés afinado contra uno es un arnés afinado para ese, así que quien compare resultados entre laboratorios tiene que mirar qué ejecutor los produjo.
Los resultados caen bajo `runs/`, ordenados por benchmark y subconjunto, con los arneses adoptados y las notas de reflexión. Lee eso, no la puntuación. El arnés que el sistema decidió conservar es la pieza interesante.
Artículos relacionados
Un servidor, una streamer de IA: dentro del código que sostiene un directo nocturno
open-yoki es el código de producción de una host de IA que emite cada noche en Binance Square, sin persona, voz ni nada que toque dinero. headless Chrome dibuja el fotograma, ffmpeg empuja RTMP y una carpeta de Markdown decide su humor y lo que publica.
Pinky deja que un agent maneje tu teléfono y mantiene pulsado Enviar hasta que hagas clic en Permitir
Pinky conecta cualquier agent MCP a un iPhone o Android real y aplica la aprobación en su propia pasarela, no en un prompt. Las apps bancarias son invisibles, los campos de contraseña están vedados y en Android 13 el agent recibe una segunda pantalla oculta.
SeedRealtime de ByteDance toma dos imágenes por segundo y decide cuándo hablar
Doubao-Seed-Realtime-1.0 mete frames de cámara, frames de pantalla y voz en una sola sesión full duplex, con dos frames por segundo como mucho. Las decisiones interesantes son la tasa de frames, el habla proactiva y la respuesta de auditoría que viene activada.
Alguien metió el derecho mundial en git, así que ahora puedes hacer blame a un artículo
global-law guarda los textos legales de cada país en un repositorio git donde cada commit es una ley que entra en vigor en una fecha conocida. Puedes lanzar log, blame, show y diff sobre un artículo, preguntar qué regía en cada país un día concreto y entregar todo el corpus a un asistente por MCP.