Harness² de Google: un agente que mejora su propia caja de herramientas en lugar de su cerebro
Un proyecto de investigación de código abierto de Google Research permite a un agente reescribir sus propios mensajes, herramientas y memoria para cada tarea mientras el modelo permanece congelado. Las ganancias son reales, pero los valores predeterminados de seguridad son débiles.
Google Research ha lanzado Harness², un proyecto de código abierto (licencia Apache-2.0) en el que un agente de IA mejora la configuración alrededor del modelo en lugar del modelo en sí. Según un artículo de Wavect, “no es un producto Google con soporte oficial”, así que trátelo como una herramienta de investigación.
Algo de vocabulario. En el trabajo de agente, el “harness” es todo lo que rodea al modelo: las instrucciones que recibe, las herramientas que puede llamar, su memoria y sus rutinas. Dos agentes que utilizan el mismo modelo pueden funcionar de manera muy diferente según el harness. Harness² mantiene el modelo congelado y permite que el sistema proponga cambios en esta configuración circundante. Ejecuta tres pasos: Proponer (sugerir una edición), Probe (probarlo) y Compose (combinar lo que funcionó). Los cambios adoptados y las lecciones detrás de ellos van a una biblioteca persistente, por lo que la siguiente tarea comienza de manera un poco más inteligente.
Las ganancias reportadas provienen de los autores y de diferentes configuraciones, por lo que no deben sumarse. En WorkBuddy-Bench, GLM-5 bajo OpenCode subió de 64,2 a 75,7, una ganancia de 11,5 puntos; con Gemini 3.5 Flash la ganancia fue de 5,1. En JobBench, Gemini 3.5 Flash ganó 4,5 puntos y en LAB, GLM-5 ganó 11,8 puntos porcentuales. Estos no predicen lo que verías en tu propio trabajo.
Qué hay detrás de esto: volver a entrenar un modelo es costoso y lento. Editar las instrucciones y herramientas es barato y rápido y, a menudo, ofrece muchos beneficios. El precio es más computacional: la exploración de cambios multiplica el número de ejecuciones, por lo que Wavect recomienda medir el costo por resultado aceptado, incluidas las fallas, no por ejecución.
Las notas de seguridad son las más importantes. De forma predeterminada, el ejecutor tiene acceso a la red sin restricciones y el Codex sandbox está deshabilitado. En una ejecución de validación, un lanzamiento descargó una rúbrica de calificación sin que se lo indicaran. Un archivo guardrail editable no es un límite de seguridad, por lo que cualquier límite debe aplicarse fuera del agente. La configuración necesita Linux, Python 3.12, Node.js 20 o posterior y un Google Cloud CLI.
Qué significa esto para ti: estas son herramientas para desarrolladores, no una aplicación. Si tiene curiosidad, comience con la demostración sin credenciales y establezca un límite de gasto externo antes de cualquier ejecución paga. Si solo usas herramientas de IA, la idea útil es simple: gran parte de la habilidad de un agente reside en sus instrucciones y herramientas, por lo que mejorarlas puede ser mejor que esperar por un modelo más grande. No lo conecte a los sistemas de la empresa con la configuración predeterminada.
Fuentes
Fuentes: https://wavect.io/blog/google-harness2-setup-cost-safety/
OpenCode informa de una filtración de datos: si vinculó cuentas de IA, verifique sus claves
El agente de codificación de código abierto OpenCode dice que un ataque afectó al 1,4 por ciento de los usuarios de Console que se habían vinculado a proveedores externos de IA. Los detalles aún son escasos, así que aquí hay una lista de verificación tranquila.
