Google presenta Harness²: el agente reescribe sus propios prompts y scripts, con hasta +11,8 p. p. en los criterios de LAB
Google Research ha publicado Harness², un marco en el que el agente reescribe la «envoltura» que rodea al modelo —prompts, herramientas, scripts—, pero no toca los pesos. Funciona como un becario que, tras cometer errores, corrige sus propias instrucciones: el agente ejecuta la tarea con distintas modificaciones y conserva las que ayudan. En la prueba jurídica LAB, la proporción de criterios superados sube como máximo 11,8 p. p. (por ejemplo, de un 50 % a un 61,8 %). Para los equipos que usan modelos a través de API, es una vía para mejorar agentes sin reentrenarlos, aunque por ahora las cifras solo proceden de Google.
Procesado por IA desde KDnuggets; editado por Hamidun News
Imagine un agente que analiza archivos contables, pero en su script auxiliar hay un error silencioso: omite los importes negativos. Normalmente, lo detecta un ingeniero: observa un total incorrecto, corrige el script o el prompt y vuelve a ejecutar. Google Research ha publicado en acceso abierto el marco Harness², que automatiza ese ciclo. No reescribe el modelo en sí, sino todo lo que lo rodea: instrucciones, herramientas, memoria y scripts. Google mide los resultados en «puntos porcentuales» (p. p.): si un agente superaba el 50 % de los criterios de evaluación y pasa a superar el 61,8 %, la mejora es de 11,8 p. p. Ese es precisamente el máximo que se obtuvo en la prueba jurídica LAB.
¿Qué es la «envoltura» y qué modifica Harness²?
Un modelo de lenguaje, por sí solo, no es un agente. Lo que lo convierte en agente es la «envoltura» (harness): las instrucciones del sistema, las reglas de qué se puede y qué no se puede hacer, las notas a largo plazo, los conjuntos de habilidades para tareas habituales, las descripciones de cómo usar las herramientas, los scripts auxiliares, los subagentes y los complementos intermedios. Hoy, la mayoría de los equipos configura todo esto a mano. Para las tareas que se han previsto de antemano, el enfoque funciona. Pero cuando el agente se enfrenta a algo imprevisto, la configuración manual no llega a tiempo.
Harness² automatiza esa configuración con los pesos del modelo congelados. No hay reentrenamiento ni nuevos datos de entrenamiento. Por eso el enfoque sirve a los equipos que trabajan con el modelo únicamente a través de API: no necesitan GPU ni acceso a los pesos.
Dos bucles: cómo aprende el agente de sus propias ejecuciones
El «cuadrado» del nombre alude a dos niveles de recursión. El primer bucle funciona dentro de una misma tarea, con el esquema «proponer, verificar, componer». El editor de la envoltura propone modificaciones generales y específicas del dominio. El agente resuelve de nuevo la misma tarea con cada variante de la envoltura. Después, un «compositor» compara las ejecuciones y combina las modificaciones que ayudaron. No hace falta una respuesta de referencia, basta con la diferencia entre dos ejecuciones de una misma tarea. En el trabajo real, nadie entrega al agente una clave con las respuestas correctas, así que esta propiedad es importante.
El segundo bucle opera entre tareas. La envoltura aceptada y las «lecciones» confirmadas pasan a una biblioteca permanente de experiencia, y la siguiente tarea arranca ya con esas notas. El primer bucle mejora al agente para la tarea actual; el segundo mejora el propio proceso de mejora.
El presupuesto lo fija el parámetro k. En modo paralelo, el sistema propone k modificaciones generales y k específicas, y las prueba todas: busca más amplitud. En modo secuencial, da k pasos seguidos y traslada la envoltura refinada al siguiente: profundiza más. Cada tarea cuesta 4k ejecuciones del agente y 3k sesiones del mejorador, es decir, con k=3, 12 ejecuciones y 9 sesiones. Solo LAB tiene 1143 tareas, así que una ejecución completa no sale barata.
Cifras y demo
Google probó GLM-5 y Gemini 3.5 Flash en cuatro combinaciones «modelo — envoltura» sobre tres benchmarks. Un solo paso de mejora elevó el resultado de ambos modelos respecto a la envoltura inicial. La mayor ganancia en LAB es de hasta 11,8 p. p. en la proporción de criterios superados. Son los mejores resultados, no los promedios, y los ha obtenido la propia Google, así que todavía hay que esperar verificaciones independientes. Las tablas de cada configuración están en el repositorio.
La demo se ejecuta en local en un par de segundos y no requiere claves. Hacen falta el gestor de paquetes uv y Python 3.12. El script original suma los asientos de un libro contable, pero filtra los negativos. Con un archivo de prueba de tres asientos, devuelve 105,25. Tras el trabajo de Harness², el filtro desaparece y el script calcula el resultado correcto: 85,15 (100,25 − 20,10 + 5,00). Nadie le comunicó al sistema cuál era la suma correcta. En el archivo de experiencia quedó una nota: al sumar créditos y débitos hay que tener en cuenta ambos signos, con alta confianza. Esa anotación pasó a la segunda tarea de la demo.
Todos los cambios se guardan en archivos normales: el prompt reescrito, el script corregido, la nueva regla. Se pueden leer, comparar con la versión original y aprobar mediante una revisión de código. El marco incluso registra por qué aceptó cada modificación.
Una ejecución real es más compleja y cuesta dinero. Hace falta un proyecto de Google Cloud con Vertex AI, además de Pandoc y Poppler para los documentos de LAB. El archivo .env con la configuración hay que crearlo a mano: en el repositorio, en el momento de la publicación, no existe. El ejecutor, el mejorador y el juez se configuran con IDs de modelo independientes. El autor de la reseña recomienda empezar con una sola tarea para que las llamadas de pago no se acumulen.
Conclusión práctica: si tiene un agente sobre el modelo de otro y se cansó de ajustar los prompts a mano, Harness² ofrece una forma reproducible de automatizarlo. Empiece por la demo gratuita, después compare la envoltura original y la mejorada en una de sus propias tareas y evalúe si el gasto en ejecuciones compensa.
- 21 nov 2026Capitana de un equipo de natación automatizó con ChatGPT tres tareas programadas y recortó la rutina varias veces
- 21 nov 2026La red neuronal MIRA dibuja Rocket League a 20 fps, pero el ping llega a 460 ms
- 21 nov 2026Google creó una copia cerrada de internet con bancos falsos para entrenar a los agentes de IA de Chrome
- 21 nov 2026En la prueba MLPerf participan por primera vez Nvidia Rubin y TPU Ironwood: 153 sistemas
Preguntas frecuentes sobre la noticia
¿Qué es la «envoltura» y qué modifica Harness²?
Un modelo de lenguaje, por sí solo, no es un agente. Lo que lo convierte en agente es la «envoltura» (harness): las instrucciones del sistema, las reglas de qué se puede y qué no se puede hacer, las notas a largo plazo, los conjuntos de habilidades para tareas habituales, las descripciones de cómo usar las herramientas, los scripts auxiliares, los subagentes y los complementos intermedios. Hoy, la mayoría de los equipos configura todo esto a mano.
¿Qué se sabe sobre Dos bucles: cómo aprende el agente de sus propias ejecuciones?
El «cuadrado» del nombre alude a dos niveles de recursión. El primer bucle funciona dentro de una misma tarea, con el esquema «proponer, verificar, componer». El editor de la envoltura propone modificaciones generales y específicas del dominio. El agente resuelve de nuevo la misma tarea con cada variante de la envoltura. Después, un «compositor» compara las ejecuciones y combina las modificaciones que ayudaron.
¿Qué se sabe sobre Cifras y demo?
Google probó GLM-5 y Gemini 3.5 Flash en cuatro combinaciones «modelo — envoltura» sobre tres benchmarks. Un solo paso de mejora elevó el resultado de ambos modelos respecto a la envoltura inicial. La mayor ganancia en LAB es de hasta 11,8 p. p. en la proporción de criterios superados. Son los mejores resultados, no los promedios, y los ha obtenido la propia Google, así que todavía hay que esperar verificaciones independientes. Las tablas de cada configuración están en el repositorio.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.