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 하네스를 Propose → Probe → Compose 루프로 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 Codex용 codex-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.

  1. System Prompt (역할 및 추론 지침)
  2. Guardrails (입출력 및 실행 안전 제약)
  3. Memory (컨텍스트 유지 및 인출 구조)
  4. Tool Guidance (도구 선택 및 파라미터 사용 규칙)
  5. Subagents (하위 위임 에이전트 정의 및 역할 분담)
  6. Skills (절차적 작업 수행 플레이북)
  7. Scripts (반복 연산·검증용 실행 코드)
  8. Plugins (외부 환경 연동 어댑터)

2.2 태스크 수준 재귀 vs 하네싱 수준 재귀

재귀 계층루프 메커니즘최적화 대상지속성 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 하네스단일 태스크 내
하네싱 수준 재귀 (Harnessing-Level Recursion)태스크 완료 후 채택된 하네스와 실행 증거로 뒷받침된 교훈(Evidence-backed lessons)을 영구 보존미래의 새로운 태스크에서 더 나은 하네스를 구축하는 메타 능력 자체다중 태스크 간 영구 누적

2.3 벤치마크 검증 결과

  • Google Research 실험 결과, 단 1회의 Harness² 스텝만으로도 GLM-5와 Gemini 3.5 Flash의 성능이 JobBench, LAB, WorkBuddy-Bench 전 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 있도록 codex-harness 패키지로 제공한다.

4. 후속: 지식을 얼릴지, 정책을 고칠지 (2026-11-06)

Harness²가 채택 하네스를 태스크 간에 남긴다면, 이후 두 논문은 그 지속 범위를 가른다.

5. 관련 문서 (Cross-References)