Harness² (Google Research) क्या है? AI एजेंट्स को सेल्फ-इंप्रूव करने वाला फ्रेमवर्क |
Harness² क्या है? Google का सेल्फ-इम्प्रूविंग AI एजेंट फ्रेमवर्क (2026)
अक्टूबर 2026 में Google Research ने एक ऐसा ओपन-सोर्स टूल जारी किया है जो AI एजेंट्स की दुनिया में एक नए तरह की बात लाता है। नाम है Harness² (या Harness2)।
यह कोई नया भाषा मॉडल नहीं है। यह कोई तैयार एजेंट ऐप भी नहीं है। बल्कि यह एक इन्फ्रास्ट्रक्चर फ्रेमवर्क है जो मौजूदा AI एजेंट्स को बिना उनके मॉडल के वेट्स छुए, खुद बेहतर बनाता रहता है।
सरल भाषा में कहें तो — मॉडल का दिमाग वैसा का वैसा रहता है, लेकिन उसके आसपास का पूरा सिस्टम (प्रॉम्प्ट, टूल्स, मेमोरी, गार्डरेल्स आदि) खुद-ब-खुद अपडेट होता रहता है।
Harness² वास्तव में क्या है?
Google Cloud AI Research और Northwestern University के शोधकर्ताओं ने मिलकर यह फ्रेमवर्क बनाया है। नाम है Harness²: Recursive Agent Harnessing for an Open World (arXiv:2610.14224)। कोड GitHub पर Apache-2.0 लाइसेंस के तहत उपलब्ध है।
रिपॉजिटरी साफ बताती है कि यह Google का आधिकारिक प्रोडक्ट नहीं है। यह रिसर्च कोड (वर्जन 0.1.0) है, इसलिए इसे एक्सपेरिमेंटल टूल की तरह ही देखा जाना चाहिए।
“Harness” शब्द का मतलब है मॉडल के चारों ओर का पूरा ढांचा — सिस्टम प्रॉम्प्ट, टूल गाइडेंस, मेमोरी, स्किल्स, स्क्रिप्ट्स आदि। जब कोई मॉडल एजेंट बनता है तो यही हार्नेस उसे काम करने लायक बनाता है।
Harness² इस हार्नेस को दो स्तरों पर सुधारता है:
- टास्क-लेवल रिकर्शन (Propose–Probe–Compose)
किसी एक टास्क पर एजेंट कई बदलाव प्रस्तावित करता है, उन्हें उसी टास्क पर टेस्ट करता है, और बिना किसी सही उत्तर (ground-truth) की जरूरत के सबसे बेहतर बदलाव चुन लेता है। - हार्नेसिंग-लेवल रिकर्शन
एक टास्क से सीखे गए सबक (lessons) और अपनाए गए हार्नेस को एक लाइब्रेरी में सेव करता है, ताकि अगले टास्क में एजेंट पहले से बेहतर तरीके से शुरू कर सके।
यही वजह है कि नाम में “²” (स्क्वेयर्ड) है — दो स्तर की रिकर्शन।
आठ मुख्य घटक जिन्हें Harness² एडिट और सुधार सकता है।
फ्रेमवर्क मॉडल के आसपास की आठ चीजों को फाइल के रूप में रखता है और उन्हें एडिट कर सकता है:
- सिस्टम प्रॉम्प्ट
- गार्डरेल्स
- मेमोरी
- टूल गाइडेंस
- सब-एजेंट्स
- स्किल्स
- स्क्रिप्ट्स
- प्लगइन्स
ये सभी टेक्स्ट या कोड फाइलें होती हैं। इसलिए डेवलपर आसानी से देख सकता है कि एजेंट ने खुद में क्या बदलाव किए और क्यों किए। पारदर्शिता यहां बड़ी ताकत है।
यह AI एजेंट या OpenClaw जैसा कुछ है क्या?
नहीं।
- AI एजेंट (जैसे OpenClaw, OpenCode या कोई Claude/Gemini आधारित एजेंट) वह सिस्टम है जो टास्क लेता है, ब्राउज़र खोलता है, कोड चलाता है, फाइलें बदलता है।
- Harness उस एजेंट का आसपास का ढांचा होता है।
- Harness² उस ढांचे को ऑटोमैटिक सुधारने वाला टूलकिट है।
इसे इस तरह समझें:
OpenClaw या Gemini जैसी चीजें गाड़ी हैं।
Harness² वह ऑटोमैटिक मैकेनिक है जो गाड़ी के इंजन को छुए बिना उसके सिस्टम, सेटिंग्स और टूल्स को चलते-चलते बेहतर बनाता रहता है।
डेवलपर्स इसे मौजूदा ओपन-सोर्स एजेंट्स के साथ जोड़कर इस्तेमाल कर रहे हैं ताकि एजेंट समय के साथ खुद समझदार होते जाएं।
बेंचमार्क पर नतीजे कितने असरदार हैं?
रिसर्च पेपर में तीन प्रोफेशनल बेंचमार्क पर टेस्ट किया गया:
- WorkBuddy-Bench (ऑफिस, वेब, कोड टास्क)
- JobBench
- LAB (लीगल एजेंट बेंचमार्क)
एक ही स्टेप (k=1) में GLM-5 और Gemini 3.5 Flash दोनों में सुधार देखा गया। सबसे बड़ा सुधार GLM-5 + OpenCode पर WorkBuddy-Bench में +11.5 अंक और LAB पर +11.8 प्रतिशत पॉइंट तक पहुंचा। रिकर्शन बजट बढ़ाने (k=5) से और बेहतर नतीजे मिले।
महत्वपूर्ण बात यह है कि मॉडल के वेट्स में कोई बदलाव नहीं किया गया। सिर्फ हार्नेस बदला गया।
लोकल डेमो कैसे रन करें? (फ्री, बिना API की जरूरत)
अच्छी बात यह है कि लोकल डेमो पूरी तरह मुफ्त है और किसी पेड मॉडल की जरूरत नहीं पड़ती।
जरूरी चीजें:
- Linux (Windows पर WSL, Mac पर Linux VM/कंटेनर)
- Python 3.12 या 3.13
- Git और uv पैकेज मैनेजर
स्टेप्स:
- uv इंस्टॉल करें (अगर नहीं है):Bash
curl -LsSf https://astral.sh/uv/install.sh | sh - रिपॉजिटरी क्लोन करें:Bash
git clone https://github.com/google-research/harness2.git cd harness2 - वर्चुअल एनवायरनमेंट बनाएं:Bash
uv venv --python 3.12 .venv source .venv/bin/activate - इंस्टॉल करें:Bash
uv pip install -e '.[render]' - डेमो रन करें:Bash
harness2-demo --output runs/demo --k 2
डेमो में एक बगी हुई स्क्रिप्ट आती है। एजेंट खुद बग ढूंढता है, ठीक करता है और सीखे गए सबक को लाइब्रेरी में सेव कर लेता है। पूरा आउटपुट runs/demo फोल्डर में मिल जाता है।
अगर आप असली मॉडल (Gemini आदि) के साथ बेंचमार्क चलाना चाहते हैं तो Node.js 20+, Google Cloud CLI और .env फाइल में Vertex AI क्रेडेंशियल्स की जरूरत पड़ेगी।
क्यों महत्वपूर्ण है यह फ्रेमवर्क?
पारंपरिक तरीके में जब एजेंट फेल होता है तो इंजीनियर को मैन्युअली प्रॉम्प्ट या कोड ठीक करना पड़ता है। Harness² इस प्रक्रिया को काफी हद तक ऑटोमैटिक बना देता है।
लाभ साफ हैं:
- महंगी GPU ट्रेनिंग या नए डेटासेट की जरूरत नहीं
- सुधार पूरी तरह टेक्स्ट/कोड फाइलों में दिखते हैं (पारदर्शिता)
- एजेंट समय के साथ अनुभव जमा करता रहता है
लेकिन सीमाएं भी हैं। यह अभी रिसर्च स्टेज पर है। हर टास्क पर कई बार एग्जीक्यूशन चलता है, इसलिए कॉस्ट और समय दोनों बढ़ सकते हैं। हर तरह के टास्क पर समान सफलता की गारंटी नहीं है।
निष्कर्ष
Harness² AI एजेंट्स की दिशा में एक साफ और व्यावहारिक कदम है। यह बताता है कि मॉडल जितना महत्वपूर्ण है, उससे कहीं ज्यादा महत्वपूर्ण उसका आसपास का सिस्टम हो सकता है।
अगर आप ओपन-सोर्स एजेंट्स बना रहे हैं या मौजूदा एजेंट्स को बेहतर बनाना चाहते हैं, तो इस फ्रेमवर्क को जरूर देखें। GitHub पर कोड और प्रोजेक्ट साइट दोनों उपलब्ध हैं।
रिसर्च कोड है, इसलिए सावधानी से प्रयोग करें। लेकिन आइडिया बहुत मजबूत है — मॉडल को फ्रीज रखकर हार्नेस को स्मार्ट बनाना।
KEY TAKEAWAYS
- Harness² मॉडल के वेट्स को छुए बिना एजेंट के हार्नेस (प्रॉम्प्ट + टूल्स + मेमोरी आदि) को सुधारता है।
- दो स्तर की रिकर्शन: टास्क-लेवल और हार्नेसिंग-लेवल।
- 8 एडिटेबल कंपोनेंट्स।
- लोकल डेमो मुफ्त में चलता है।
- यह एजेंट नहीं, बल्कि एजेंट को सुधारने वाला फ्रेमवर्क है।
- अभी रिसर्च कोड है, आधिकारिक Google प्रोडक्ट नहीं।
FAQ
Q. क्या Harness² खुद एक AI मॉडल है?
नहीं। यह फ्रेमवर्क है जो मौजूदा मॉडल के आसपास के सिस्टम को सुधारता है।
Q. क्या इसे ChatGPT या Claude के साथ इस्तेमाल कर सकते हैं?
सिद्धांत रूप से हाँ, लेकिन वर्तमान रिलीज मुख्य रूप से OpenCode और Codex एग्जीक्यूटर्स के साथ टेस्टेड है।
Q. क्या लोकल डेमो के लिए GPU या API की जरूरत है?
नहीं। लोकल डेमो स्क्रिप्टेड एडिटर्स और रियल Python एग्जीक्यूशन पर चलता है।
Q. क्या यह OpenClaw का विकल्प है?
नहीं। यह OpenClaw जैसे एजेंट्स के ऊपर लगने वाला सुधार टूल है।

Leave a Comment