Google Harness² Aynı Modeli Eğitmeden Güçlendiriyor

Bir yapay zeka ajanı aslında iki şeydir: akıl yürüten bir model ve onu donatan bir harness . Harness; komutları, uyulacak kuralları, başvurulacak hafızayı, çağrılacak araçları ve iş devredilecek yardımcı ajanları tutar. Google Research bu katmanı iyileştirmeye harnessing diyor ve tezi tek cümle: ajan eşittir model artı harness. Dağınık bir düzenekte parlayan bir model bile cılız iş çıkarır; aynı donmuş model farklı düzeneklerde bu yüzden bambaşka puanlar alır.

Ekipler bu düzeni genelde bir kez kurup her yeni işe aynen uyguluyor. Tasarımcının öngördüğü işlerde düzen işliyor; kimsenin önceden düşünmediği taze işler gelince verim düşüyor. Google buna açık dünya diyor: harness çizilirken akla gelmemiş işlerle karşılaşma hali. Videoda sözü geçen uygulayıcı da kendi çok ajanlı düzeninde aynı sancıyı anlatıyor; bozulan işte neredeyse hiç yeni model gerekmiyor, gereken hep onarılmış bir düzenek.

Önce Puanlar, Sonra Düzenek

Puanlar üç ayrı iş testinden geliyor: ofis, web ve yazılım işleri için WorkBuddy-Bench; uçtan uca meslek işleri için JobBench; hukuk ajanı testi LAB. GLM-5 ve Gemini 3.5 Flash ile dört model-düzenek bileşiminde tek iyileştirme turu WorkBuddy-Bench tarafında 11,5 puana, JobBench tarafında 4,5 puana, LAB tarafındaki kısmi geçme oranında 11,8 puana kadar artış yazdı. GitHub deposundaki README aynı manşet rakamları taşıyor; videodaki sayılar birincil yazılım kaynağıyla birebir tutuyor.

Sonucu çarpıcı yapan, yukarıdaki artışların tamamının tek turdan gelmesi ve model ağırlıklarının hiç değişmemesi. Kimse yeniden eğitim yapmadı, kimse yeni bir temel model için ödeme yapmadı; değişen yalnız çevredeki dosyalar oldu. arXiv üzerindeki makale, bütçe büyüdükçe artışların sürdüğünü, k değeri beşe kadar koşut çalışmalarda her testte birkaç puan daha eklendiğini yazıyor. Bu örüntü önemli; çünkü düzenek işini söylentiden çıkarıp ölçülebilir bir verim eksenine taşıyor. Ölçüm tarafında arXiv kaydı birincil dayanak olarak duruyor.

Üç Fiil ve Sekiz Dosya

Her iş, karşılaştırmalı bir döngüden geçiyor; üç fiili var: öner, sına, birleştir. Düzenek editörü iki aday düzenek yazar; biri planlama ve araç kullanımı gibi genel zayıflıklara, öteki o alanın işlerine dönüktür. İki aday aynı işi eş koşullarda dener, birleştirici yalnız davranış farkının desteklediği değişiklikleri tutar. Doğru yanıt anahtarı yok; AI Primer anlatımı varsayılan bütçede iş başına dört koşum sayıyor: taban, iki aday ve birleştirilmiş sonuç.

Düzenlenebilir yüzey sekiz dosyadan oluşuyor: ana komutlar, sert sınırları çizen korkuluk kuralları, ajanın başvurduğu hafıza, araç kullanımı kılavuzu, iş devri alan yardımcı ajanlar, çağrılabilen beceri paketleri ve hazır yordamlar ile her adımı izleyen ara katman. İlk dördü ajanın işe ne bilerek başladığını, sonraki ikisi araçları nasıl kullanıp işi nasıl paylaştığını, sonuncusu her adımın içinde ne olduğunu yönetiyor. Güncel ajan araçları kullananlar aynı yapı taşlarını farklı adlarla tanıyacaktır.

Yukarıdakilerin tamamı tek işin içinde olur; yazarlar buna iş düzeyi özyineleme diyor. Üstünde ikinci bir döngü var: döngü üstü özyineleme. Her işin ardından deneyim yansıtıcı, benimsenen düzeni ve tutan dersleri ayıklar. Dersler kalıcı bir iyileştirme kitaplığına, kendini geliştirme üzerine bir deftere yazılır; sonraki iş öneriye geçmeden bu defteri okur. Yalnız kanıtlı dersler saklanır, defter tahminlerle değil tutmuş hamlelerle dolar. AgentGid incelemesi aynı ayrımı vurguluyor; manşet rakamların arkasındaki editörün yürütücü ajanlardan güçlü Claude Opus 4.8 olduğunu not ediyor.

Bütçe, Sınır ve Ders

Ek bütçe iki biçimde harcanabiliyor. Koşut özyineleme birkaç düzeneği aynı anda sınıyor ve öğrenilenlerden birleşik halefler kuruyor; geniş arama yapıyor. Sıralı özyineleme en iyi düzeneği alıp üst üste cilalıyor; derine iniyor. İki yönde de bütçe büyüdükçe verim artıyor. Yürütme tarafı bugün ekiplerin zaten kullandığı araçlarda koşuyor: varsayılan OpenCode, seçenek olarak Codex.

Dürüst giderler sonra geliyor. Her sınama, ajanın işi baştan sona bir kez koşması demek; altı düzen sınamak artı editör oturumları altı kat token ve koşum gideri demek. Bu yüzden resmi kılavuz küçük iş kümesiyle başlamayı öneriyor. Sürüm 0.1.0; Google'ın resmi destekli ürünü değil, tek tıkla çalışan uygulama da değil; Linux makine ve Python 3.12 istiyor. TheAIFeed haberi doğru soruyu soruyor: artış kanıtlanınca asıl soru yürütme bütçesi oluyor. Yürütücülerin ağ erişimi kısıtsız, Codex cephesi korunaksız koştuğundan test koşumları yalıtılmış alana ait.

Araçları bir kenara bırakınca taşınabilir ders duruyor: beyni suçlamadan önce düzeni düzelt. Komutlar, kurallar, hafıza yordamları ve beceri paketleri düz yazı; herkes değiştirebilir. Bu disiplin bugün hangi ajanı çalıştırıyorsan ona da yarıyor. Benim ölçüm böylesi çerçevelerde döngünün insansız büyüyüp büyümediği; kitaplık düzeneği tam da bunu vadediyor. Zayıf yürütücülerin en çok kazandığı tabloda ilk ödül en dağınık düzenekleri bekliyor; en güçlü modelleri değil.