Harness² (Harness Squared) 및 메타하네스: 가중치 고정 이중 재귀 에이전트 하네스 자가 진화 프레임워크
1. 핵심 요약 (Executive Summary)
기반 LLM의 가중치(Weights)를 전혀 수정하지 않고 에이전트를 둘러싼 하네스(Harness: 시스템 프롬프트, 가드레일, 메모리, 도구 가이드, 서브에이전트, 스킬, 스크립트, 플러그인) 자체를 실행 증거(Execution Evidence)로부터 재귀적으로 진화시키는 아키텍처가 에이전트 엔지니어링의 핵심 표준으로 부상했다.
- Google Research
Harness²(Harness Squared): 현재 태스크를 위한 하네스를Propose → Probe → Compose루프로 개선하는 **태스크 수준 재귀(Task-level Recursion)**와, 태스크 간 축적된 채택 하네스 및 실행 교훈을 바탕으로 향후 새 태스크에서 하네스를 설계하는 능력 자체를 진화시키는 **하네싱 수준 재귀(Harnessing-level Recursion)**의 이중 재귀(Two-Level Recursion) 아키텍처를 오픈소스로 공개했다. - 클로드 코드 메타하네스 V2 &
codex-harness: 호스트 환경을 오염시키지 않는 순정(Vanilla) 상태에서 에이전트 팀 하네스를 즉시 구성하며, Claude Code의 Dynamic Workflow 기능 및 OpenAI Codex용codex-harness와 결합해 멀티 에이전트 팀 오케스트레이션을 자동화한다.
2. Google Harness²: 이중 재귀(Two-Level Recursion) 아키텍처
flowchart TD subgraph Level1["1단계: 태스크 수준 재귀 (Task-Level Recursion)"] T["현재 태스크 유입"] --> P1["Propose: 하네스 변이 후보 생성<br/>(프롬프트·가드레일·메모리·스킬·서브에이전트·스크립트)"] P1 --> P2["Probe: 동일 태스크에서 변이 하네스 실행 및 행동 비교"] P2 --> P3["Compose: 실행 증거(Evidence) 기반으로 최적 하네스 합성"] P3 -- "Sequential / Parallel Recursion" --> P1 end subgraph Level2["2단계: 하네싱 수준 재귀 (Harnessing-Level Recursion)"] M["장기 하네스 저장소<br/>(채택된 하네스 + 실행 증거 기반 교훈 축적)"] end P3 -- "채택 하네스 & 검증 교훈 저장" --> M M -- "새 태스크 유입 시 하네스 개선 메타 전략 주입" --> P1
2.1 편집 가능한 하네스 구성요소 (Editable Harness Space)
Harness²에서 에이전트가 자율적으로 수정·조합하는 하네스 범위는 단순 시스템 프롬프트에 그치지 않고 다음 8대 실행 레이어 전체를 포괄한다.
- System Prompt (역할 및 추론 지침)
- Guardrails (입출력 및 실행 안전 제약)
- Memory (컨텍스트 유지 및 인출 구조)
- Tool Guidance (도구 선택 및 파라미터 사용 규칙)
- Subagents (하위 위임 에이전트 정의 및 역할 분담)
- Skills (절차적 작업 수행 플레이북)
- Scripts (반복 연산·검증용 실행 코드)
- Plugins (외부 환경 연동 어댑터)
2.2 태스크 수준 재귀 vs 하네싱 수준 재귀
| 재귀 계층 | 루프 메커니즘 | 최적화 대상 | 지속성 범위 |
|---|---|---|---|
| 태스크 수준 재귀 (Task-Level Recursion) | Propose → Probe → Compose- Parallel 모드: 여러 후보 하네스를 병렬 탐색 - Sequential 모드: 정제된 하네스와 누적 증거를 다단계로 연속 개선 | 눈앞의 현재 태스크(Current Task)에 최적화된 실행 하네스 | 단일 태스크 내 |
| 하네싱 수준 재귀 (Harnessing-Level Recursion) | 태스크 완료 후 채택된 하네스와 실행 증거로 뒷받침된 교훈(Evidence-backed lessons)을 영구 보존 | 미래의 새로운 태스크에서 더 나은 하네스를 구축하는 메타 능력 자체 | 다중 태스크 간 영구 누적 |
2.3 벤치마크 검증 결과
- Google Research 실험 결과, 단 1회의
Harness²스텝만으로도GLM-5와Gemini 3.5 Flash의 성능이JobBench,LAB,WorkBuddy-Bench전 구간에서 유의미하게 향상되었으며, 태스크 수준 재귀 예산을 늘릴수록 추가 성능 향상이 확인되었다.
3. 메타하네스(Meta-Harness) V2 및 codex-harness 실무 패턴
- 순정 상태(Zero-Pollution) 멀티 에이전트 하네스 구성: 기존 프로젝트 설정이나 글로벌 환경을 어지럽히지 않고
"하네스 구성해줘"한 줄 명령으로 프로젝트 맞춤형 에이전트 팀 하네스를 즉석 생성한다(GitHub 9.1k+ Stars). - Claude Code Dynamic Workflow 결합 (V2): 정적 서브에이전트 호출을 넘어 태스크 진행 상황에 따라 워크플로 그래프를 동적으로 분기·재구성하는 Claude Code Dynamic Workflow와 결합해 복합 엔지니어링 작업을 자율 수행한다.
- 크로스 런타임 이식성 (
codex-harness): 동일한 메타하네스 설계 철학을 OpenAI Codex CLI 환경에서도 그대로 사용할 수 있도록codex-harness패키지로 제공한다.
4. 후속: 지식을 얼릴지, 정책을 고칠지 (2026-11-06)
Harness²가 채택 하네스를 태스크 간에 남긴다면, 이후 두 논문은 그 지속 범위를 가른다.
- Meta²: 오프라인에서는 “언제 고칠지”만 배우고, 온라인 편집은 런이 끝나면 버린다. Meta2-Precomputed-Harness-Evolution.md
- Harness-S: 형제 하네스 풀은 고정하고, 베이스가 전부 실패한 태스크의 구제 궤적만 정책 가중치에 넣는다. 평가는 다시
H0. Harness-S-Sibling-Rescue-Training.md
5. 관련 문서 (Cross-References)
- wiki/Agents/Coding-and-Engineering/하네스-핸드북-및-하네스-이펙트-연구-2026.md
- Meta-Agent-Harness-Policy-Learning.md
- wiki/Agents/Self-Evolving/WikiSkill-절차적-지식-자가-진화-프레임워크.md
- wiki/Agents/Self-Evolving/SkillOpt-및-과학적-탐구-멀티-에이전트-시스템.md
- Pstack-Tstack-and-Cumulative-Diff-Verification-Workflows.md
- 000_Self-Evolving-MOC.md