Google libera o Harness²: agente de IA ajusta o próprio "harness", e nota do GLM-5 sobe de 64,2 para 75,7
O Google Research liberou o framework Harness²: o agente de IA edita o próprio "harness" (a camada de instruções, skills e regras de uso de ferramentas). Por exemplo, se o agente lê o repositório inteiro de forma gananciosa, o editor adiciona a regra de olhar primeiro a estrutura de pastas. No teste WorkBuddy-Bench (tarefas de escritório, web e programação), a nota do GLM-5 subiu de 64,2 para 75,7 pontos sem retreinamento. Por isso, antes de migrar para um modelo caro, vale medir quanto o ajuste do harness entrega.
Processado por IA de Habr AI; editado por Hamidun News
O Google Research liberou em código aberto o Harness², um framework em que o agente de IA configura o próprio "harness". O harness é tudo o que envolve o modelo de linguagem: instruções de sistema, regras de uso de ferramentas, memória, skills e subagentes. Um agente é igual a LLM mais harness, e é dele que depende se o agente vai buscar com cuidado os arquivos certos ou vai ler o repositório inteiro e entupir o contexto.
Normalmente, os engenheiros ajustam essas configurações à mão, o que é demorado e caro. O Harness² faz isso automaticamente: no teste WorkBuddy-Bench (tarefas de escritório, web e programação), a nota do modelo GLM-5 combinado com o OpenCode subiu de 64,2 para 75,7 pontos, ou seja, 11,5 pontos. Os pesos do modelo, nesse processo, não mudam.
Do que o harness é feito
O README do framework destaca oito componentes, e o Harness² consegue editar cada um deles:
- System prompt: a instrução básica, ou seja, o que o agente lê primeiro.
- Guardrails: as restrições, isto é, o que não pode ser feito.
- Memory: o que lembrar entre um passo e outro.
- Tool guidance: como trabalhar com ferramentas, por exemplo quando consultar a documentação e quando responder por conta própria.
- Subagents: a delegação, em que um agente analisa a tarefa e outros executam as partes.
- Skills: conjuntos prontos de técnicas para tarefas típicas.
- Scripts: scripts para trabalhar com o ambiente.
- Plugins: middleware que altera o comportamento dentro do ciclo de chamada de ferramentas.
Como funcionam os dois níveis de recursão
O "2" no nome indica dois ciclos. Dentro de uma única tarefa, roda o ciclo Propose-Probe-Compose ("propor, verificar, montar"). Primeiro, o agente resolve a tarefa com o harness base, e essa execução de referência é registrada: o que ele leu, quais ferramentas chamou à toa, o que esqueceu de verificar. Em seguida, o editor (por padrão, o Claude Opus 4.8, ou seja, um modelo de concorrente) propõe dois candidatos: uma correção geral contra fraquezas típicas e uma de domínio, voltada a uma área específica, como procedimentos jurídicos ou planilhas. Cada candidato é executado na mesma tarefa, e se observa como o comportamento mudou. O composer decide quais alterações aceitar e monta a versão final.
Um exemplo do JobBench: o agente montava um conjunto de documentos com números consistentes entre si. A primeira execução rendeu 43,1 pontos: os números nos arquivos não batiam, e ninguém reabria os documentos finais. As alterações adicionaram a conferência de fontes e a revisão obrigatória do resultado, e a nota subiu para 77,8. É uma única tarefa, e isso não prova que a mesma correção funcionaria em qualquer lugar.
O segundo ciclo opera entre tarefas. O componente reflector analisa todo o processo e guarda apenas as lições confirmadas pela comparação das execuções. Elas vão para a biblioteca improvement harness, no arquivo EXPERIENCE.md. A tarefa seguinte parte do harness base, e só a experiência acumulada é transferida, ajudando o editor a decidir o que propor.
O que os benchmarks mostraram
Os autores testaram o método em três conjuntos de tarefas:
- WorkBuddy-Bench: tarefas de escritório, web e programação. Melhor resultado: GLM-5 com OpenCode, de 64,2 para 75,7 pontos (+11,5).
- JobBench: tarefas profissionais longas, próximas de um dia de trabalho humano. Gemini 3.5 Flash com OpenCode: de 31,5 para 36,0 (+4,5).
- LAB, da Harvey: benchmark jurídico que mede a proporção de critérios atendidos. GLM-5: de 59,6% para 71,4% (+11,8 p.p.).
A observação mais prática é que o executor mais fraco ganha mais. Depois de um passo de otimização, o GLM-5 faz 75,7 (OpenCode) e 75,3 (Codex) no WorkBuddy-Bench, enquanto o Gemini 3.5 Flash com o harness comum faz 72,4 e 74,5. Um modelo mais fraco com harness ajustado supera um mais forte com o harness padrão.
A automação, por si só, não garante sucesso. O concorrente ReasoningBank chega a ficar até 6,6 pontos abaixo do harness base em tarefas de programação, e o Harness Scaling perde para a base em sete de doze pares "benchmark e configuração". O Harness² fica acima da base no WorkBuddy-Bench e no JobBench nas quatro configurações.
Custo e limitações
Cada passo da recursão exige execuções adicionais, ou seja, tokens e tempo. Passar do orçamento k=1 para k=5 rende no WorkBuddy-Bench mais 2,9–3,9 pontos, no JobBench 3,0–4,2 e no LAB 2,6–6,7 p.p., com retorno decrescente. Além disso, diferença de comportamento não é sinônimo de melhoria: o sistema pode fixar uma alteração que parece melhor, mas que não funciona na tarefa seguinte.
É possível experimentar sem gastar com modelos: a demo local (Linux, Python 3.12, uv, comando harness2-demo --k 2) executa os dois níveis com editores determinísticos em cerca de dez minutos. Para os benchmarks reais, são necessários Vertex AI, gcloud, Node.js 20+ e Docker, ou Pandoc com Poppler, e as execuções são pagas. Trata-se de um framework de pesquisa, não de um produto do Google: a API pode mudar.
A conclusão prática para quem constrói agentes: antes de pagar a mais por um modelo de ponta, meça quanto o ajuste sistemático do harness entrega. Todos os números vêm do preprint dos autores e ainda não foram verificados de forma independente.
- 21 de nov. de 2026Capitã de equipe de natação entregou três tarefas ao ChatGPT pela agenda e cortou a rotina em muitas vezes
- 21 de nov. de 2026Rede neural MIRA desenha Rocket League a 20 quadros por segundo, mas o ping chega a 460 ms
- 21 de nov. de 2026Google criou uma cópia fechada da internet com bancos falsos para treinar agentes de IA do Chrome
- 21 de nov. de 2026No MLPerf Training, pela primeira vez, aparecem Nvidia Rubin e TPU Ironwood: 153 sistemas
Perguntas frequentes sobre a notícia
O que se sabe sobre Do que o harness é feito?
O README do framework destaca oito componentes, e o Harness² consegue editar cada um deles: System prompt: a instrução básica, ou seja, o que o agente lê primeiro. Guardrails: as restrições, isto é, o que não pode ser feito. Memory: o que lembrar entre um passo e outro. Tool guidance: como trabalhar com ferramentas, por exemplo quando consultar a documentação e quando responder por conta própria. Subagents: a delegação, em que um agente analisa a tarefa e outros executam as partes.
Como funcionam os dois níveis de recursão?
O "2" no nome indica dois ciclos. Dentro de uma única tarefa, roda o ciclo Propose-Probe-Compose ("propor, verificar, montar"). Primeiro, o agente resolve a tarefa com o harness base, e essa execução de referência é registrada: o que ele leu, quais ferramentas chamou à toa, o que esqueceu de verificar.
O que os benchmarks mostraram?
Os autores testaram o método em três conjuntos de tarefas: WorkBuddy-Bench: tarefas de escritório, web e programação. Melhor resultado: GLM-5 com OpenCode, de 64,2 para 75,7 pontos (+11,5). JobBench: tarefas profissionais longas, próximas de um dia de trabalho humano. Gemini 3.5 Flash com OpenCode: de 31,5 para 36,0 (+4,5). LAB, da Harvey: benchmark jurídico que mede a proporção de critérios atendidos. GLM-5: de 59,6% para 71,4% (+11,8 p.p.). A observação mais prática é que o executor mais fraco ganha mais.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.