Google fait du harnais de l'agent un objet à optimiser, puis empile deux boucles

Un harnais, c'est tout ce qui entoure le modèle et lui permet d'agir : le prompt système, les définitions d'outils, la mémoire, les compétences, les sous-agents, l'orchestration. Régler cet agencement, c'est le travail de harnessing. La plupart des équipes le font à la main, mal, un week-end, puis s'arrêtent.
Harness Squared, publié par Google Research sur GitHub avec 23 849 étoiles, transforme ce travail en boucle, puis ajoute une seconde boucle par-dessus.
L'article est arXiv:2610.14224, la licence Apache 2.0, et le dépôt précise que ce n'est pas un produit officiellement soutenu par Google. Les auteurs incluent Ruiyao Xu, Yanfei Chen et Tomas Pfister. Ils ont construit un cadre pour ce qu'ils appellent le harnessing récursif d'agents en monde ouvert, où les agents rencontrent des tâches jamais vues pendant la conception du harnais.
Deux récursions, poids gelés
Le modèle ne change jamais. Tout ce qui progresse tient dans l'échafaudage.

La récursion au niveau de la tâche affine le harnais pour la tâche en cours. Le mécanisme est une boucle contrastive que les auteurs nomment Propose, Probe, Compose. Un éditeur propose des modifications, un exécuteur fait tourner des candidats ainsi modifiés sur la même tâche, un composeur assemble un harnais raffiné à partir des différences de comportement entre les exécutions.
Le détail qui compte : aucune vérité terrain n'est nécessaire. Deux harnais ont traité la même tâche et se sont comportés différemment. Cette différence est le signal. Pas besoin de savoir quelle réponse était juste, seulement ce qui a changé quand on a changé l'échafaudage.
La récursion au niveau du harnessing se place au-dessus. Après chaque tâche, un réflecteur d'expérience reprend le harnais adopté et les leçons que les preuves soutiennent, puis les écrit dans un harnais d'amélioration persistant. La tâche suivante part d'un meilleur point de départ.
Huit pièces que vous pouvez modifier
Le cadre expose huit composants autour du modèle, regroupés par ce qu'ils font à l'exécution.
Le prompt système, les garde-fous, la mémoire et les compétences construisent le contexte. Les consignes d'outils et les scripts définissent l'interface. Les sous-agents prennent le travail délégué. Les plugins contrôlent le middleware.
La liste parle à quiconque a construit un agent. L'inhabituel, c'est de traiter les huit comme un espace de recherche. On les fixe d'habitude une fois au démarrage, puis on n'y touche plus.
Ce que disent les chiffres
Sur trois benchmarks professionnels et quatre configurations de modèle et de harnais, une seule étape de Harness Squared place GLM-5 et Gemini 3.5 Flash au-dessus de leurs harnais de base.
Les gains : jusqu'à 11,5 points sur WorkBuddy-Bench, 4,5 points sur JobBench, 11,8 points de pourcentage sur le taux de réussite partielle de LAB. Augmenter le budget de récursion au niveau de la tâche apporte encore des gains, et c'est le résultat qui compte le plus. Le mécanisme monte avec le calcul au lieu de saturer après un passage.
Ces benchmarks méritent d'être nommés, parce qu'ils expliquent pourquoi le harnais pèse ici. JobBench couvre le travail professionnel. LAB couvre le droit. WorkBuddy-Bench se divise en bureautique, web et code. Sur ces tâches, un modèle fort avec un échafaudage médiocre perd contre un modèle plus faible bien équipé. C'est exactement la condition que l'optimisation de harnais doit exploiter.
Comment on le lance vraiment
L'installation suppose Linux, Python 3.12 et uv.
uv venv --python 3.12 .venv
source .venv/bin/activate
uv pip install -e '.[render]'
harness2-demo --output runs/demo --k 2
Cette démo fait tourner les deux modes de récursion avec des éditeurs déterministes et une vraie exécution Python. Aucun identifiant de modèle n'est requis. C'est le moyen le plus rapide de voir la boucle avant de dépenser quoi que ce soit.
Les benchmarks adossés à un modèle demandent davantage : Node.js 20 ou plus récent, la CLI Google Cloud, et les dépendances propres à chaque benchmark. LAB veut Pandoc et Poppler. WorkBuddy-Bench veut Docker. Ensuite, vous copiez le fichier d'environnement d'exemple, vous le pointez vers un projet Vertex AI et des identifiants de modèle, et vous vous authentifiez avec les identifiants par défaut de l'application.
Lancer un benchmark tient en quatre temps : l'installer, le vérifier, l'exécuter, le juger et publier le rapport.
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
Le jugement et le rapport doivent utiliser le même benchmark, le même exécuteur, le même sous-ensemble, le même budget de récursion, le même mode et la même graine que le passage d'affinage, sinon les chiffres ne concordent pas. `--dry-run` prévisualise la sélection des tâches sans appeler de modèle.
Deux modes de récursion existent. Parallel sonde k candidats généraux et k candidats spécifiques au domaine, puis produit k compositions à partir des preuves partagées. Sequential transporte le harnais affiné et les preuves accumulées sur k étapes successives. Le résumé du dépôt : parallel explore plus large, sequential affine plus profond.
L'avertissement à lire deux fois
Le README a une section sur l'accès réseau qui ressemble à une note ajoutée après coup. Elle ne l'est pas. L'accès réseau de l'exécuteur est illimité, et Codex tourne avec son bac à sable désactivé. Les grilles d'évaluation publiques des benchmarks sont peut-être accessibles en ligne.
Autrement dit, un agent en cours d'évaluation peut aller chercher le corrigé. Les auteurs recommandent de configurer des restrictions réseau avant l'évaluation pour empêcher l'accès aux réponses et aux critères de notation. L'aveu est franc, et ce genre de chose gonfle discrètement les résultats de benchmarks d'agents publiés un peu partout.
Pourquoi ce cadrage compte
En 2026, le travail sur les agents se partage en deux camps : des modèles plus gros, ou des échafaudages artisanaux plus élaborés. Cet article soutient que l'échafaudage doit être l'objet de l'optimisation, et que la boucle peut tourner sans étiquettes.
Un argument plus discret est enfoui dans la liste des composants. Si huit parties du harnais se modifient séparément, alors un gain attribué au prompt vient peut-être de la mémoire, et une régression imputée au modèle sort peut-être d'un garde-fou ajouté trois versions plus tôt. Régler à cette granularité laisse une trace d'audit qu'un réglage manuel ne produit jamais.
La conséquence est pratique pour qui fait tourner des agents en production. Pas besoin d'un jeu de données étiqueté pour améliorer votre harnais sur vos tâches. Il faut deux variantes et un moyen de comparer leur comportement.
Les limites sont aussi pratiques. Les gains sont mesurés sur des benchmarks professionnels à grilles publiées, et un harnais réglé contre une grille est un harnais réglé pour cette grille. Savoir si le progrès survit à une distribution de tâches pour laquelle personne n'a écrit de correcteur reste la question ouverte, et l'article ne prétend pas le contraire.
Une contrainte de plus se trouve dans le code, pas dans le texte. Le cadre supporte deux exécuteurs, OpenCode par défaut et Codex derrière un flag, et les deux ne se comportent pas de façon identique. Un harnais affiné contre l'un est un harnais affiné pour celui-là, donc comparer des résultats entre labos impose de vérifier quel exécuteur les a produits.
Les résultats atterrissent sous `runs/`, classés par benchmark et sous-ensemble, avec les harnais adoptés et les notes de réflexion. Lisez ça, pas le score. Le harnais que le système a choisi de garder est l'artefact intéressant.
Articles associés
Quelqu'un a mis le droit mondial dans git, on peut donc blâmer un article de loi
global-law conserve les textes de chaque pays dans un dépôt git où chaque commit correspond à une loi entrée en vigueur à une date connue. On peut lancer log, blame, show et diff sur un article, demander ce qui s'appliquait dans chaque pays un jour donné, et confier le tout à un assistant via MCP.
Un serveur, une streameuse IA : dans le code qui fait tourner un live nocturne
open-yoki est le code de production d'une hôte IA qui streame chaque soir sur Binance Square, personnalité, voix et fonctions liées à l'argent retirées. headless Chrome dessine la frame, ffmpeg pousse le RTMP, un dossier de Markdown décide de son humeur et de ce qu'elle publie.
Pinky laisse un agent piloter votre téléphone, et garde le bouton Envoyer enfoncé jusqu'à votre clic sur Autoriser
Pinky relie n'importe quel agent MCP à un vrai iPhone ou Android et impose l'approbation dans sa propre passerelle plutôt que dans un prompt. Les applis bancaires sont invisibles, les champs de mot de passe interdits, et sous Android 13 l'agent obtient un second écran caché.
Cicada écoute directement l'audio de votre réunion, sans bot dans la salle
Cicada est une application gratuite pour Mac, Windows, Linux et Android qui écrit des sous-titres bilingues et des notes de réunion structurées à partir de l'audio du système, puis vous laisse tenir une touche pour répondre dans l'autre langue avec votre propre voix clonée. Aucun bot ne rejoint l'appel.