GEAR 是一个把递归自我改进（RSI）引入 agent harness 的项目。据其项目页介绍，GEAR 利用任务反馈，持续改进 agent 在实际工作中用到的技能、工具与工作流。项目页展示了 AutomationBench Marketing 100 个公开任务上的对比结果，称经 GEAR 优化后，Luna 的目标完成率从 75.37% 升至 88.88%。文中数据均出自项目页，是发布方公布的实验结果，来源中未见独立复现。
项目页的口号是「别让你的工作等着」（Don't let your work wait）。GEAR 的思路是不更换 agent，而是让 harness 随任务反馈不断调整。项目页写明，用户可以带上自己已经在用的 agent，列出的包括 Codex、Claude Code、DSH、Pi 等。
项目页在「Marketing · 100 public tasks」一节给出了前后对比，对比对象是 Luna 搭配不同版本的 DSH：
同一测试中，任务通过率从 27% 升至 53%。
项目页还给出了一组对照：Astra max 搭配 Codex，目标完成率为 84.08%，任务通过率为 57%。按页面所列数字，Luna 优化后的目标完成率高于这一对照，任务通过率则略低。
项目页另设两个 AutomationBench / Marketing 案例，分别是「Landing page alerts」和「Featured snippet opportunities」。页面称，在这两个真实任务上，搭配 GEAR 调优 harness 的 Luna max，完成了搭配通用 Codex agent 的 Astra max 没有完成的需求，并提供了并排对比的演示。
项目页以一次真实的 AutomationBench 优化为例，演示了 GEAR 的流程：
页面以「小模型，认真的结果」（Small model. Serious results.）为题，称优化后的 harness 可以改变 agent 能完成的事情，相关结果来自其公开的实验。
项目页显示星标数为 139。页面反复邀请访问者到 GitHub 点星，帮助更多人发现这个项目。
