Segun MarkTechPost (AI/ML News), Google Research ha liberado Harness², un marco abierto diseñado para optimizar el comportamiento de agentes inteligentes sin necesidad de actualizar los modelos subyacentes. Este sistema opera como una capa de refinamiento en tiempo real, trabajando directamente sobre los elementos que rodean al modelo, como prompts, herramientas, memoria y lógica de ejecución. No requiere entrenamiento de parámetros, lo que lo convierte en una solución escalable para entornos donde los modelos ya están fijos y no pueden reentrenarse. La versión inicial, 0.1.0, está disponible para usuarios con sistemas Linux, usando Python 3.12 o 3.13 junto con el entorno uv. Aunque no se especifica el uso de GPU, los resultados muestran una mejora notable en múltiples escenarios de evaluación.
El sistema se basa en una estructura recursiva que ejecuta dos niveles de iteración: uno en el nivel de tarea y otro en el flujo interno del agente. En cada paso, se propone una acción, se prueba su efectividad y se ajusta el entorno de ejecución. Este proceso se repite hasta que se alcanza un equilibrio óptimo en el rendimiento. En pruebas con cuatro combinaciones de modelos y configuraciones, todos los escenarios mejoraron al menos en una iteración. La mejora más significativa fue en el modelo GLM-5 bajo OpenCode, que logró un aumento de 11.5 puntos en el benchmark WorkBuddy-Bench, pasando de 64.2 a 75.7. En contraste, el mismo modelo en el escenario Codex solo logró un avance de 1.2 puntos (de 23.6 a 24.8), lo que evidencia que el rendimiento varía considerablemente según el contexto de uso.
El marco cuenta con ocho componentes editables, cada uno representado como un archivo independiente. Estos incluyen: sistema de prompt, límites de seguridad, memoria, orientación a herramientas, subagentes, habilidades, scripts y plugins. Esta extensión respecto al modelo anterior de ingeniería de agente (con siete componentes) permite una mayor personalización y flexibilidad. La clave del enfoque no radica en mejorar el modelo, sino en optimizar el entorno en el que opera. Así, el sistema permite que los agentes se adapten a tareas nuevas sin necesidad de etiquetas ni datos de validación previa, lo cual es especialmente útil en entornos donde las tareas son dinámicas y no se conocen de antemano.
Para el lector peruano, esta evolución en inteligencia artificial tiene un impacto directo en sectores como el servicio al cliente, la gestión de operaciones y la automatización de procesos. Muchas empresas en el país, especialmente en áreas como contabilidad, logística o atención al público, enfrentan tareas que cambian constantemente. Con herramientas como Harness², es posible implementar agentes que aprendan a responder de forma más eficaz sin necesidad de reentrenar modelos costosos o que requieran grandes volúmenes de datos. Esto abre la puerta a soluciones más ágiles, reduciendo tiempos de respuesta y mejorando la precisión en entornos donde el conocimiento cambia rápidamente.