يقدم Google Research طريقة Harness² التي تهدف إلى تحسين وكيل الذكاء الاصطناعي دون المساس بنموذجه، وذلك عبر تعديل الإطار المحيط به. هذا الإطار، المسمى «الحِزام» (harness)، يجمع التعليمات والأدوات والذاكرة وحلقة التحكم التي تُؤطّر النموذج. تهدف هذه المقاربة إلى تكييف هذا الحِزام أثناء وقت التنفيذ، بما في ذلك للمهام التي لم يتوقعها مصمموه.
نقطة البداية بسيطة: لا يوجد حِزام واحد هو الأفضل في كل شيء. وفقًا للعناصر المعروضة، يحقق Claude Code نتائج أفضل في البرمجة وجداول البيانات، بينما يتصدر Codex في مهام الويب. وبالتالي، فإن الحِزام الثابت يترك أداءً محتملاً دون استغلال.
لماذا تفشل إعادة كتابة التعليمات تلقائيًا
قد يبدو ترك الوكيل يعيد كتابة الـ prompt النظامي الخاص به، أي التعليمات الأولية التي تُعطى له، واعدًا. عمليًا، يمكن أن يؤدي هذا إلى تدهور النتائج. تُعاد قراءة هذه التعليمات طوال المهمة، وكلما طالت، زاد استهلاكها لـ tokens، وهي وحدات النص التي يعالجها النموذج. عندما ينفد هذا المخصص، قد يفشل الوكيل قبل إنهاء المهمة.
لذلك لا يعمل Harness² على نص التعليمات. فهو يعدل ثمانية مكونات مجمعة في أربع عائلات: السياق، وواجهة الأدوات، والتفويض إلى وكلاء فرعيين، و«الوسائط» (middlewares)، وهي امتدادات تتدخل في حلقة استخدام الأدوات. تبقى القاعدة المكتوبة في الـ prompt مجرد نصيحة، بينما تُطبق القاعدة الموضوعة في حلقة التحكم. يوضحان هذا الاختلاف: آلية مراقبة تجبر الوكيل على الكتابة قبل استنفاد مخصصه، ونص برمجي يمنع إنهاء المهمة طالما يحتوي جدول بيانات على صيغ ناقصة.
اقتراح، اختبار، تركيب
تتم العملية في ثلاث مراحل. ينفذ الوكيل المهمة مرة واحدة، ثم يحلل محرران سجل التنفيذ: يفحص أحدهما آليات سير العمل، ويقترح الآخر قواعد العمل. بعد ذلك، يُعاد تشغيل الحِزام المعدل على نفس المهمة، وتُقارن المحاولتان. لا تُحفظ التعديلات إلا إذا صححت عيبًا ملموسًا وقابلًا للملاحظة. وفقًا للأعمال، فإن مرحلة الاختبار هذه حاسمة: بدونها، لانخفض الأداء بنحو 10٪.
النتائج المُعلنة والقيود
تركز الاختبارات على ثلاث مجموعات معايير مهنية، في أربع تركيبات للنموذج والحِزام، باستخدام GLM-5 و Gemini 3.5 Flash. تتراوح المكاسب المبلغ عنها حتى 11.5 نقطة على WorkBuddy-Bench، و4.5 نقطة على JobBench، و11.8 نقطة مئوية على LAB، في معدل النجاح الجزئي. كما أدى حِزام مُحسّن مع نموذج قوي إلى تحسين نتائج نموذج أصغر بمقدار 17 نقطة. على العكس، حصل ReasoningBank، وهو قاعدة ذاكرة مرجعية، على 6.6 نقطة أقل من الحِزام الأساسي في مهام البرمجة.
قام مؤلف المقالة الأصلية بتثبيت المشروع، الذي يعمل على Linux مع Python 3.12، وتشغيل العرض التوضيحي الخاص به، والذي انتهى دون فشل في مهمتين محاسبيتين. ومع ذلك، يؤكد أن العرض التوضيحي ليس هو الطريقة: تبقى معظم المكونات فارغة أو في حالة نصوص نائبة بسيطة، ولا تظهر الجزء الذي وصفته المقالة إلا بمجرد ربط نموذج.
