# Harness²

> Как агентная оболочка учится на выполнении задач

Harness² улучшает оболочки ИИ-агентов на задачах, сохраняет принятые изменения и поддерживает параллельный и последовательный режимы.

- Что делает: улучшает оболочки ИИ-агентов
- Категории: Opensource, ИИ-агент, Инструменты разработчика
- Бизнес-модель: Бесплатно
- Сайт сервиса: https://github.com/google-research/harness2
- Карточка в каталоге: https://ailibri.com/harness
- Обновлено: 2026-10-22

## Описание

Harness² — бесплатный подключаемый фреймворк для разработки и оценки оболочек ИИ-агентов в открытой среде, где будущие задачи заранее неизвестны. Он улучшает промпты, инструменты, память и другие компоненты оболочки при неизменных весах модели.
На уровне задачи Harness² предлагает изменения, проверяет их на той же задаче и собирает улучшенную оболочку по различиям в поведении — эталонные ответы для этого цикла не нужны. После каждой задачи система сохраняет принятые оболочки и подтверждённые свидетельствами уроки, чтобы использовать их в дальнейшей работе.

- Редактирует восемь компонентов: от системного промпта и памяти до навыков, скриптов и плагинов.

- Поддерживает параллельную рекурсию для исследования кандидатов и последовательную — для поэтапного уточнения оболочки.

- Позволяет задавать бюджет улучшения параметром --k.

- Сохраняет результаты запусков и позволяет продолжить выполнение повтором команды.

- Показывает выбор задач без вызовов моделей через режим --dry-run.

Для запусков доступны JobBench, LAB и WorkBuddy-Bench; последний включает подмножества office, web и code. Работать можно с исполнителями OpenCode и Codex, а модельные запуски настраиваются через Vertex AI. Фреймворк рассчитан на задачи профессиональной, юридической, офисной, веб- и программной работы.
Код распространяется по лицензии Apache 2.0, но запуски бенчмарков с моделями могут повлечь расходы на API. Для установки нужны Linux, Python 3.12 и uv; модельные бенчмарки требуют дополнительных инструментов и зависимостей, состав которых зависит от выбранного бенчмарка. Локальную демонстрацию можно запустить без учётных данных модели.
Учитывайте и ограничения запуска: сеть исполнителя не ограничена, а перед оцениванием нужно настроить сетевые ограничения, чтобы агент не получил доступ к публичным рубрикам бенчмарков. Для отчёта параметры оценки должны совпадать с параметрами запуска улучшения.

## Похожие сервисы в каталоге

- [Hermes Agent](https://ailibri.com/hermes-agent): Hermes Agent — агент с открытым исходным кодом от NousResearch, который развивается вместе с вами. Поддержка инструментов, веб-исследований и автоматизации зада
- [Openclaw Infra](https://ailibri.com/openclaw-infra): Openclaw Infra - Docker-инфраструктура для запуска AI-агентов OpenClaw с поддержкой Telegram. Простое развертывание нескольких агентов на одном сервере.
- [Kimi API Platform](https://ailibri.com/kimi-api-platform): Kimi K3 — флагманская модель с 2,8 трлн параметров, контекстом 1M токенов, поддержкой изображений и видео, Tool Calling. API для кодинга и работы со знаниями.
- [DeepSeek Harness](https://ailibri.com/deepseek-harness): Открытый agent harness с плагинной архитектурой, веб-интерфейсом, запуском через npm или из исходников, бесплатной лицензией MIT.
- [Claude Commerce Agents](https://ailibri.com/claude-commerce-agents): Открытый референсный репозиторий Anthropic: каркас покупательского и торгового агентов на Claude, четыре демо-вертикали и плагин для Claude Code.
- [Agent Plugins](https://ailibri.com/agent-plugins): Открытый формат упаковки плагинов для AI-агентов: манифест plugin.json, Agent Skills, MCP-серверы и клиентские расширения. Спецификация 1.0.0 и JSON-схемы.

---
Источник: AILibri — каталог нейросетей и ИИ-инструментов, https://ailibri.com