RT @_IntelArt: Google Research가 흥미로운 아이디어를 바탕으로 한 오픈 소스 프레임워크 HARNESS²를 공개했습니다. > AI 에이전트를 개선하기 위해서는 모델 자체를 변경할 필요는 없으며, 주변의 전체 시스템을 개선할 수도 있습니다.
HARNESS²는 8개의 편집 가능한 구성 요소(system prompt, guardrails, 메모리, 도구 가이드, 서브에이전트(subagents), 스킬(skills), 스크립트(scripts) 및 플러그인(plugins))를 포함합니다. 이 모델은 고정된 가중치(weights)를 유지합니다.
작동 방식은 어떨까요?
한 작업을 실행하고, HARNESS 내에서 변경 사항을 제안하며, 다양한 변형을 테스트하고 그 행동을 비교할 수 있습니다 (제안 → 탐색 → 구성: Propose → Probe → Compose). 이후 개선된 내용과 유용한 교훈들을 보존하여 미래의 작업에 도움을 줄 수 있습니다. 이는 병렬 재귀(recursión paralela)를 통해 더 많은 대안을 탐색하거나, 순차적(secuencial)으로 해결책을 점진적으로 개선하는 방식으로 수행될 수 있습니다.
실질적인 이점은 매우 중요합니다: 모델을 재훈련할 필요 없이 작업 방식을 개선하고, 실행 과정에서 얻은 증거에 따라 컨텍스트, 도구, 메모리 및 절차를 조정할 수 있는 에이전트가 가능해집니다.
논문 실험에서는 단 한 번의 반복만으로 WorkBuddy-Bench에서 최대 +11.5점, JobBench에서 +4.5점, 그리고 LAB에서 11.8% 포인트의 개선을 달성했습니다. 이는 벤치마크 결과일 뿐 모든 에이전트에 대한 보장은 아니지만, 이 아키텍처가 어느 방향으로 진화하고 있는지 잘 보여줍니다.
게다가 Google은 이를 Apache 2.0 라이선스로 공개했기 때문에 코드를 연구하고, 수정하며, 자체 에이전트를 실험하기 위한 기반으로 사용할 수 있습니다.
저는 이 구성 요소들이 어떻게 연결되고 개선 사이클이 어떻게 발생하는지를 단순화하여 보여주는 설명 비디오를 제작했습니다.