你有没有想过一个问题为什么同样是 Claude 或 GPT在 ChatGPT 里只能聊聊天但在 Claude Code 里却能帮你写代码、跑测试、修 Bug答案就两个字Harness框架。说实话这个问题笔者琢磨了很久。直到看到 LangChain 这篇博客才恍然大悟模型只是大脑Harness 才是让大脑干活的工具箱。Agent Model Harness作者给出了一个极简公式Agent Model Harness用大白话说如果你不是模型本身那你就属于 Harness。所谓Harness就是包裹在模型外面的一切代码、配置、执行逻辑。具体来说包括系统提示告诉模型角色定位、行为规范工具/技能/MCP扩展模型能力的手和脚基础设施文件系统、沙箱、浏览器编排逻辑子代理调度、任务路由钩子/中间件确定性执行、上下文压缩光有模型它只能输出文本。有了 Harness模型才能变成 Agent。为什么模型离不开 Harness从模型的角度看它有三个先天不足这三个问题模型自己解决不了。必须靠 Harness 来补。比如最简单的聊天功能就需要 Harness 用一个 while 循环来追踪历史消息、追加用户输入。你以为理所当然的体验背后都是 Harness 在干活。Harness 的六大核心组件作者从想要什么行为反推需要什么 Harness 设计梳理出六大组件文件系统持久存储的基石想要的行为Agent 能读写真实数据、跨会话保存工作、卸载超长上下文。Harness 设计内置文件系统抽象和操作工具。文件系统是最基础的 Harness 原语因为它解锁了三件事Agent 有了工作台能读代码、文档、数据工作可以增量进行不用把所有东西塞进上下文多个 Agent 和人类可以通过共享文件协作加上 Git还能版本控制、回滚错误、分支实验。Bash 代码执行通用工具想要的行为Agent 能自主解决问题不需要人类预先设计每个工具。Harness 设计提供 Bash 工具让模型通过写代码、执行命令来解决问题。这是给模型一台电脑让它自己想办法的思路。模型可以现场设计工具而不是被限制在固定的工具集里。沙箱环境安全隔离想要的行为Agent 能安全执行代码、观察结果、验证工作。Harness 设计连接沙箱环境安全隔离执行、按需创建销毁。沙箱解决了两个问题安全性不在本地跑危险代码可扩展性环境可以动态创建、批量分发、用完销毁好的沙箱还预装了语言运行时、Git CLI、测试框架、浏览器等工具。记忆与搜索持续学习想要的行为Agent 能记住见过的东西获取训练时不存在的新知识。Harness 设计记忆支持 AGENTS.md 等记忆文件启动时注入上下文搜索Web Search、MCP 工具如 Context7获取实时信息这实现了持续学习Agent 把一个会话的知识存下来下次会话再用。上下文管理对抗腐烂想要的行为Agent 性能不随对话长度增加而下降。Harness 设计这里有个关键概念Context Rot上下文腐烂。说的是模型在上下文填满后推理能力会下降。Harness 需要三种策略来应对策略解决的问题压缩Compaction上下文快满了怎么办智能摘要、卸载旧内容工具输出卸载大量工具输出占空间只保留首尾完整内容存文件技能渐进披露启动时加载太多工具按需加载减少初始负担长期自主执行复杂任务的终极目标想要的行为Agent 能自主完成复杂任务跨多个上下文窗口正确执行。Harness 设计组合以上所有原语。这是最难的场景。作者提到了几个关键模式文件系统 Git跟踪跨会话的工作进度Ralph Loop拦截 Agent 的退出尝试用新上下文重新注入原始任务强制继续规划与自验证分解目标、检查中间结果、失败时反馈重试模型与 Harness 的纠缠这里有个有意思的现象今天的 Agent 产品如 Claude Code、Codex在训练时模型和 Harness 是一起参与的。这意味着模型会学习如何更好地使用特定的 Harness——比如文件操作、Bash 执行、规划拆解。这形成了一个飞轮发现有用的原语 → 加入 Harness用新 Harness 训练下一代模型模型在这个 Harness 里更强大循环继续但这也带来一个问题过度耦合。作者举了个例子Codex-5.3 的 apply_patch 工具逻辑模型被训练成用特定方式编辑文件。如果你改了工具逻辑模型性能就会下降。一个真正智能的模型应该能轻松切换不同的补丁方法。但训练时绑定 Harness就产生了这种过拟合。笔者的观点是最好的 Harness 不一定是模型训练时用的那个。Terminal Bench 2.0 的排行榜显示Opus 4.6 在 Claude Code 里得分远低于在其他 Harness 里的得分。优化 Harness 本身还有很大空间。Harness 工程的未来方向作者最后提到了几个正在探索的开放问题并行编排几百个 Agent 同时在共享代码库上工作自我诊断Agent 分析自己的执行轨迹识别和修复 Harness 层的失败动态组装根据任务实时组装工具和上下文而不是预先配置笔者的判断是随着模型越来越强Harness 不会消失只会演进。就像 Prompt Engineering 到今天依然重要一样Harness 工程也会持续有价值。原因很简单好的环境配置、合适的工具、持久的存储、验证循环——这些让任何模型都更高效无论基础智能多强。结语这篇文章给笔者最大的启发是不要把 Agent 想成一个黑盒它是模型 框架的组合。模型负责智能Harness 负责让智能变得有用。如果你想构建自己的 Agent不妨从这个公式出发先想清楚想要什么行为再反推需要什么 Harness 组件。不得不感叹一句好的系统设计是把 1 的智能放大成 10 的生产力。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
AI Agent 强大的关键到底是啥——Harness 工程实战解读
你有没有想过一个问题为什么同样是 Claude 或 GPT在 ChatGPT 里只能聊聊天但在 Claude Code 里却能帮你写代码、跑测试、修 Bug答案就两个字Harness框架。说实话这个问题笔者琢磨了很久。直到看到 LangChain 这篇博客才恍然大悟模型只是大脑Harness 才是让大脑干活的工具箱。Agent Model Harness作者给出了一个极简公式Agent Model Harness用大白话说如果你不是模型本身那你就属于 Harness。所谓Harness就是包裹在模型外面的一切代码、配置、执行逻辑。具体来说包括系统提示告诉模型角色定位、行为规范工具/技能/MCP扩展模型能力的手和脚基础设施文件系统、沙箱、浏览器编排逻辑子代理调度、任务路由钩子/中间件确定性执行、上下文压缩光有模型它只能输出文本。有了 Harness模型才能变成 Agent。为什么模型离不开 Harness从模型的角度看它有三个先天不足这三个问题模型自己解决不了。必须靠 Harness 来补。比如最简单的聊天功能就需要 Harness 用一个 while 循环来追踪历史消息、追加用户输入。你以为理所当然的体验背后都是 Harness 在干活。Harness 的六大核心组件作者从想要什么行为反推需要什么 Harness 设计梳理出六大组件文件系统持久存储的基石想要的行为Agent 能读写真实数据、跨会话保存工作、卸载超长上下文。Harness 设计内置文件系统抽象和操作工具。文件系统是最基础的 Harness 原语因为它解锁了三件事Agent 有了工作台能读代码、文档、数据工作可以增量进行不用把所有东西塞进上下文多个 Agent 和人类可以通过共享文件协作加上 Git还能版本控制、回滚错误、分支实验。Bash 代码执行通用工具想要的行为Agent 能自主解决问题不需要人类预先设计每个工具。Harness 设计提供 Bash 工具让模型通过写代码、执行命令来解决问题。这是给模型一台电脑让它自己想办法的思路。模型可以现场设计工具而不是被限制在固定的工具集里。沙箱环境安全隔离想要的行为Agent 能安全执行代码、观察结果、验证工作。Harness 设计连接沙箱环境安全隔离执行、按需创建销毁。沙箱解决了两个问题安全性不在本地跑危险代码可扩展性环境可以动态创建、批量分发、用完销毁好的沙箱还预装了语言运行时、Git CLI、测试框架、浏览器等工具。记忆与搜索持续学习想要的行为Agent 能记住见过的东西获取训练时不存在的新知识。Harness 设计记忆支持 AGENTS.md 等记忆文件启动时注入上下文搜索Web Search、MCP 工具如 Context7获取实时信息这实现了持续学习Agent 把一个会话的知识存下来下次会话再用。上下文管理对抗腐烂想要的行为Agent 性能不随对话长度增加而下降。Harness 设计这里有个关键概念Context Rot上下文腐烂。说的是模型在上下文填满后推理能力会下降。Harness 需要三种策略来应对策略解决的问题压缩Compaction上下文快满了怎么办智能摘要、卸载旧内容工具输出卸载大量工具输出占空间只保留首尾完整内容存文件技能渐进披露启动时加载太多工具按需加载减少初始负担长期自主执行复杂任务的终极目标想要的行为Agent 能自主完成复杂任务跨多个上下文窗口正确执行。Harness 设计组合以上所有原语。这是最难的场景。作者提到了几个关键模式文件系统 Git跟踪跨会话的工作进度Ralph Loop拦截 Agent 的退出尝试用新上下文重新注入原始任务强制继续规划与自验证分解目标、检查中间结果、失败时反馈重试模型与 Harness 的纠缠这里有个有意思的现象今天的 Agent 产品如 Claude Code、Codex在训练时模型和 Harness 是一起参与的。这意味着模型会学习如何更好地使用特定的 Harness——比如文件操作、Bash 执行、规划拆解。这形成了一个飞轮发现有用的原语 → 加入 Harness用新 Harness 训练下一代模型模型在这个 Harness 里更强大循环继续但这也带来一个问题过度耦合。作者举了个例子Codex-5.3 的 apply_patch 工具逻辑模型被训练成用特定方式编辑文件。如果你改了工具逻辑模型性能就会下降。一个真正智能的模型应该能轻松切换不同的补丁方法。但训练时绑定 Harness就产生了这种过拟合。笔者的观点是最好的 Harness 不一定是模型训练时用的那个。Terminal Bench 2.0 的排行榜显示Opus 4.6 在 Claude Code 里得分远低于在其他 Harness 里的得分。优化 Harness 本身还有很大空间。Harness 工程的未来方向作者最后提到了几个正在探索的开放问题并行编排几百个 Agent 同时在共享代码库上工作自我诊断Agent 分析自己的执行轨迹识别和修复 Harness 层的失败动态组装根据任务实时组装工具和上下文而不是预先配置笔者的判断是随着模型越来越强Harness 不会消失只会演进。就像 Prompt Engineering 到今天依然重要一样Harness 工程也会持续有价值。原因很简单好的环境配置、合适的工具、持久的存储、验证循环——这些让任何模型都更高效无论基础智能多强。结语这篇文章给笔者最大的启发是不要把 Agent 想成一个黑盒它是模型 框架的组合。模型负责智能Harness 负责让智能变得有用。如果你想构建自己的 Agent不妨从这个公式出发先想清楚想要什么行为再反推需要什么 Harness 组件。不得不感叹一句好的系统设计是把 1 的智能放大成 10 的生产力。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
