AI 的装备可以送人，肌肉不行

先看一个数字。谷歌的研究者给 Gemini 3.5 Flash 这套模型精心调好了一整套装备——提示词、工具、编排逻辑，然后把这整套装备原封不动装到另一个模型 GLM-5 身上。代码任务的成绩，从 58.5 涨到 75.8。

17.3 分。装备不是为它调的，白拿的。

这件事能成立，是因为「装备」——提示词、工具、记忆、技能、编排逻辑这一整圈外围——是程序，不是肌肉。程序可以复制、可以送人、可以换着用；肌肉长在谁身上就是谁的。圈里管这圈外围叫 harness，中文勉强译作「挽具」或者「执行框架」，本文就叫装备。

没有标准答案的世界

装备自己怎么进化，是个更难的问题。已经有不少工作让 AI 自己改自己的装备，但它们大多活在有标准答案的世界里：数学题对就是对，代码过了测试就是过了。真实的工作任务——做一份周报、订一次差旅——没有判卷人，你不知道改动是真变好了，还是这次碰巧。

谷歌云 AI 研究组上周的论文《Harness²》给的办法朴素得像个土办法：做对照实验。三步：提议、试跑、组合。先对当前任务的装备提出几处修改；然后同样的任务，改过的装备和原装备各跑一遍，条件对齐；最后只采纳被行为差异支持的改动——改过的版本确实稳定做得更好，这个改动才算数。

没有判卷人，就拿「改了之后行为变没变」当证据。A/B 实验代替了批改作业，论文里管这个叫行为对比。

第二层：攒装备的装备

光会改当下任务的装备还不够，下一个任务又得从零开始。所以论文标题里有个平方号：双层递归，任务层的递归外面还套着一层。

任务做完，系统把成功的改动连同「什么时候、为什么有效」的经验一起写进一个库。以后遇到新任务，先查库，带着别人的经验开工。

这里有条纪律值得单独说：经验只有在执行对比支持的时候才入库。光看某次输出不错不算数，那可能是运气。这条门槛直接决定这个库是资产还是垃圾堆。

效果摆在那里：单个对照步骤，WorkBuddy-Bench 上最多涨 11.5 分，JobBench 涨 4.5 分，LAB 涨 11.8 个百分点；把并行探索的预算从 1 个候选加到 5 个，还能再涨一截。消融实验里把经验库拆掉——任务照做，但谁也不读谁的经验——成绩立刻回落，每个任务重新发明轮子的代价明码标价。

装备送人的实验

回到开头的数字。跨模型迁移那组实验是全文最硬的证据：为 Gemini 3.5 Flash 调好的装备，不改一个字，装到 GLM-5、Gemini 3.7 Flash、Claude Opus 4.8 三个模型身上，全都涨。GLM-5 在代码任务上拿的 17.3 分，比很多模型给自己调装备的涨幅还大。

还有一条更扎眼的：换了好装备的 GLM-5——较弱的模型——成绩压过了用原厂装备的 Gemini。75.3 对 72.4。装备的差距，大到能填平一代模型的差距。

两条加起来，就是那句值得抄走的话：装备是程序，肌肉是权重。程序白送，肌肉不行。

一条产品线

这已经是这个研究组三周内的第二篇了。上个月那篇 RRSI（本号 09-26 解剖过：防着装备进化被数据带偏的七味药），管的是有标准答案的场景；这篇 Harness² 管的是没有标准答案的开放世界。同一批作者，接力式地把「装备进化」从实验室推向真实任务。

成本也得照摆。每一步提议-试跑-组合都是真金白银的额外推理，改一遍装备就跑一遍任务，成本是乘上去的。论文自己承认：行为对比这个证据形式不保证改动能迁移到别的任务；经验库目前只是个简单索引，攒多了怎么去重、怎么淘汰过时经验，是留给未来的活。

框架开源了，Apache 2.0，GitHub 上六千多星。命令行一条就能对自己的任务跑一遍——harness2 --bench jb --k 1 --mode parallel。装备进化的门票，眼下就这么便宜。

信源：arXiv 2610.14224（2026-10-09，Google Cloud AI Research，Ruiyao Xu 一作、Yanfei Chen 通讯）；GitHub google-research/harness2（6,107★，Apache 2.0）；跨模型迁移与消融数字均出自论文正文及附录 E；RRSI=arXiv 2609.24972（同组前作，2026-09）。