Google Research выпустила Harness² — open-source инструмент для самостоятельного улучшения ИИ-агентов. Суть простая: агент не справился с задачей — система разбирается, что пошло не так, и меняет то, как агент работает, а не саму модель.
Почему это важно для тех, кто работает с ИИ-агентами
Классический способ сделать агента умнее — дообучить модель. Это дорого, долго и требует размеченных данных. Harness² идёт другим путём: модель остаётся нетронутой, меняются только обёртки вокруг неё.
Что именно может меняться:
- инструкции — промпты и системные подсказки, которые получает агент
- настройки — параметры запуска и конфигурации
- память — то, что агент хранит между шагами
- инструменты — набор функций и способ их вызова
Если агент плохо отработал запрос, Harness² тестирует другие варианты инструкций или подбирает иной способ взаимодействия с инструментами. Это ближе к инженерии промптов на автопилоте, чем к машинному обучению в классическом смысле.
Как это работает на практике
Система действует итеративно: запускает агента, оценивает результат, генерирует гипотезы об улучшениях и проверяет их. Цикл повторяется до тех пор, пока качество не вырастет или не исчерпается бюджет попыток.
Для арбитражников и команд, которые строят автоматизацию на базе ИИ-агентов, это означает меньше ручной работы при донастройке. Вместо того чтобы каждый раз вручную переписывать промпты под новую задачу, можно дать системе самой найти рабочую конфигурацию.
Открытый код — и что с этим делать
Harness² опубликован как open-source. Это позволяет интегрировать инструмент в собственные пайплайны, адаптировать под конкретные задачи и не зависеть от облачного API Google.
Для тех, кто строит агентов под парсинг, медиабаинг, обработку лидов или автоматизацию отчётности, открытый код — это возможность проверить инструмент на своих данных без лишних затрат.
