أتاحت جوجل (Google) عبر فريق Google Cloud AI Research إطار Harness2 كمشروع مفتوح المصدر، وهو يحسّن أداء وكيل الذكاء الاصطناعي من دون تغيير النموذج نفسه. وإن كنت تبني وكيلًا للبرمجة، فيمكنك تجربة النسخة 0.1.0 على لينكس (Linux) لترى هل يستحق الفرق العناء.
ما هو Harness2؟
Harness2 ليس نموذجًا جديدًا، بل إطار يحسّن الحزام (Harness) المحيط بنموذج مجمّد، أي التعليمات والأدوات والذاكرة والمهارات وتنسيق المهام. تبقى أوزان النموذج ثابتة، ويتغير الكود والملفات فقط. يضم الإطار 8 مكوّنات قابلة للتعديل، كل منها ملف مستقل.
كيف يعمل الإطار؟
يعمل الإطار على مستويين. في مستوى المهمة، ينفّذ الوكيل المهمة مرة بالحزام الأساسي، ثم يقترح محرّر تعديلين: الأول يعالج أخطاء عامة كالتخطيط واستخدام الأدوات، والثاني يعالج معرفة المجال وإجراءاته. يُجرَّب التعديلان على المهمة نفسها، ويُبقي المُركِّب فقط ما دعمه سلوك لوحظ فعلًا.
وبعد كل مهمة يحدث المستوى الثاني، إذ يحفظ مكوّن التأمل الحزام المعتمد مع ملف EXPERIENCE.md يضم دروسًا تُرشد المقترحات القادمة، بينما تبدأ كل مهمة جديدة من الحزام الأساسي. والإطار مصمم لبيئات مفتوحة لا يوجد فيها مدقّق للإجابات، فلا يحتاج بيانات مصنّفة ولا اختبارات جاهزة.
ماذا قالت الاختبارات؟
اختُبر الإطار على ثلاثة مقاييس مهنية: WorkBuddy-Bench، JobBench، Harvey’s LAB، باستخدام جيميني 3.5 فلاش (Gemini 3.5 Flash) ونموذج GLM-5 عبر OpenCode أو Codex، وكان المحرّر الافتراضي كلود أوبس 4.8 (Claude Opus 4.8). ورفعت خطوة تحسين واحدة النتائج في الإعدادات الأربعة على المقاييس الثلاثة.
أكبر قفزة كانت لنموذج GLM-5 مع OpenCode، من 64.2 إلى 75.7 على WorkBuddy-Bench بزيادة 11.5 نقطة. وأضعف مكسب كان له مع Codex على JobBench، من 23.6 إلى 24.8 فقط. كما استفادت النماذج الأضعف أكثر، إذ تجاوز GLM-5 بعد خطوة واحدة نتيجة Gemini 3.5 Flash الأساسي على WorkBuddy-Bench. وبميزانية k=5 وصل Gemini مع OpenCode إلى 80.8 على WorkBuddy.
وفي مقارنة الورقة نفسها على WorkBuddy باستخدام Gemini مع OpenCode، سجّل Harness2 النتيجة 77.5، بينما سجّل Meta-Harness 76.4، وسجّل Harness Scaling 75.3. لكن Meta-Harness تقدّم قليلًا على LAB Partial عند استخدام Gemini عبر Codex بنتيجة 76.5 مقابل 75.6. وهذه الأرقام من قياس فريق Harness2، لأن الطرق الأخرى لم تنشرها بنفسها.
كيف تثبّته وتشغّله؟
يعمل على لينكس مع بايثون (Python) 3.12 أو 3.13 وأداة uv. وهناك عرض تجريبي محلي يشغّل وضعي التكرار دون بيانات اعتماد نماذج. أما التشغيل الفعلي فيحتاج Node.js 20 أو أحدث، وأداة Google Cloud CLI، ومشروع Vertex AI. ويحتاج WorkBuddy-Bench إلى Docker، ويحتاج LAB إلى Pandoc إضافة إلى Poppler.
ماذا يعني لك؟
الإطار مفتوح المصدر بترخيص Apache-2.0، ولم تذكر المواد المنشورة قيودًا إقليمية عليه، فيمكن لمطوري مصر والخليج تجربته. لكن التشغيل الفعلي يمر عبر Vertex AI، أي أنك تحتاج مشروعًا على Google Cloud، ولم يُعلن عن متطلبات كرت الشاشة. ابدأ بالعرض المحلي، ثم جرّب الإطار في بيئة معزولة، لأن كل مهمة تستهلك تشغيلات إضافية. تصفّح قسم أدوات الذكاء الاصطناعي، وتعرّف على قيود Gemini Pro لمشتركي AI Plus وعلى نشر تطبيقات Vibe Coding عبر جوجل بلاي.
رأي ترقيتك
الفكرة واعدة، لكن النتائج من فريق المشروع والإصدار ما زال 0.1.0.
