技术 · 熟练
模型没换，它怎么突然好用了？
被优化的不是权重，是模型外面那层「外套」
多数人以为 agent 不好用是模型不够强。2026 年 10 月 Google Research 放出的 Harness² 给了另一条路：不动模型权重，只改模型外面那层外套 —— 系统提示、护栏、记忆、工具说明、子代理、技能、脚本、插件，八件东西，让 agent 自己在真实任务上提议、试跑、组合。冻结权重、不微调，WorkBuddy-Bench 上仍加了 11.5 分。这一页把这件事翻译成普通人能做的版本：先把你现在这层外套写成八行，再一次只改一行，并且提前钉死一张「不许 agent 自己放宽」的清单 —— 因为外套改了会变松的地方，恰恰是护栏。
方法 · 一图看懂
1
把外套拆成八件 — 系统提示 / 护栏 / 记忆 / 工具说明 / 子代理 / 技能 / 脚本 / 插件，逐件写现状
2
先钉死不可改清单 — 护栏、审批、数据边界由人定，agent 只能改其余几件
3
一次只改一件 — 一次改八件就等于没改：分不清是哪一件起作用
4
用你自己的工作集试跑 — 5~10 个真实任务，没标准答案也能比：完成率 / 返工次数 / 复核分钟
5
留下胜出的组合并版本化 — 记下「改了哪一件、为什么、哪三个数变了」，下月回跑一次
原理 · 为什么有效
权重冻结的时候，剩下的可变量全在外层 —— 这就是为什么改外套的性价比远高于换模型：成本低（不用重训）、可回滚（一行配置）、可解释（你知道改了什么）。Harness² 的实测也支持这一点：同一批模型（GLM-5 与 Gemini 3.5 Flash）权重没动，只让 agent 按「提议-试探-组合」迭代它自己的八件外套，WorkBuddy-Bench 加 11.5 分、LAB 加 11.8 分。
但它有一个反作用力：外套越改越顺手的路，往往就是把约束改松的路。护栏、审批、数据边界这几件一旦也交给 agent 自己优化，它会朝「少被拦」的方向改 —— 短期指标更好看，出事时没有任何东西拦住它。所以正确形态不是「让 agent 改全部八件」，而是人先划出几件不许它碰，剩下的交给它去试。
适用场景
适用：已经在用同一个模型、手里有一批稳定重复的任务、每次开新会话都要重新交代一遍背景与规矩的人；也适用于正在纠结「要不要换更贵的模型」的人 —— 先改外套再谈换模型。
⛔ 不适用：任务本身还在探索期（每次都不一样）· 只有一两个一次性任务（没有试跑集，改与不改分不出来）。
⚠️ 前提：愿意先花半小时把当前外套写成八行，而不是直接让 agent 自己改。
自测 · 5 问
我说得出自己现在这层外套里，「工具说明」和「技能」分别写了什么吗？
我有没有一批 5~10 个可重复跑的真实任务，能当试跑集？
我能不能说清「哪几件绝对不许 agent 自己改」（护栏 / 审批 / 数据边界）？
上一次我改动提示词或工具说明，是凭感觉，还是跑过同一批任务对照？
我记不记得住「现在这版为什么长这样」——改了三版之后还解释得清吗？
怎么上手 · 验证步骤
第一次别改八件，只改一件。挑你最烦的那个重复任务，把它的外套写成八行（每行一句话就够，写不出来就写「没想过」）；从八行里挑最像瓶颈的那一件 —— 多数人的瓶颈不是系统提示，而是「工具说明」（它不知道该按什么顺序调工具）或「记忆」（每次都从零交代）。只改这一件，然后拿你手上 5 个历史任务回测：完成率、返工次数、你自己复核的分钟数，三个数一起记。改动后三个数有两个变好、且不可改清单一件没动，才算这一轮成立；有一个变差就回滚，别叠加第二件。
自检动作：把改动前后的读数写成一行 ——「完成 5/5 → 5/5 · 返工 6 次 → 2 次 · 复核 41 分钟 → 33 分钟」。只记一个数会被骗：返工降了但复核涨了，说明它只是把活推给了你；三个数一起看，才知道外套是真合身还是只换了个姿势。