这篇文章也有英文版本Read in English →
Harness：决定 AI Agent 成败的不是模型，是这个东西
同一个 AI，同样聪明，但换一套系统包在外面，表现判若两人。
这件事大多数人都体验过 — 用 ChatGPT 问问题，有时候很厉害，有时候一塌糊涂。同一个模型，差别到底在哪？
2026 年，AI 圈里终于有了一个共识：决定 AI 能不能可靠交付成果的，不是模型本身，是模型外面包着的那套系统。
他们把那套系统叫做 Harness — 马具。
对 AI 有兴趣的人，过去一年大概都参与过这种讨论：
「GPT 还是 Claude 比较强？」「Gemini 追上来了吗？」「o3 的推理能力是不是比 Sonnet 好？」
看排行榜、比较各家模型的分数、在不同工具之间换来换去 — 这些事我们都做过。
但 2026 年，一个共识正在 AI 圈里成形。
Sean Goedecke 是 GitHub 的工程师，他直接参与了 GitHub Copilot 的开发。他说了一段话：
「近期很多进步，不只是模型变强了。是模型外面那套系统改善了。」
Martin Fowler — 软件工程界的教父级人物 — 在 2026 年 2 月写了一篇文章，把这个东西命名为 Harness Engineering。
Anthropic（Claude 的开发商）发了一篇专文叫 Effective Harnesses for Long-Running Agents。
OpenAI 的 Codex 团队用这套方法生成了超过 100 万行代码，零手写。
大家都在讲同一件事。他们都在说：决定 AI 能不能可靠地完成工作的，不是模型本身，是外面包着模型的那个东西。
他们把那个东西叫做 Harness。
Harness 的原意是马具 — 套在马身上、把力量导向特定方向的装备。缰绳、马鞍、胸带、眼罩。一匹马的原始力量很强大，但没有马具，它可能往任何方向跑、被路边的声音吓到、跑到一半停下来吃草。马具不会让马变得更强壮，它做的是：让马的力量可靠地转化为有用的工作。
AI 模型也一样。Claude Sonnet 4、GPT-4.1、Gemini 2.5 Pro — 这些模型的原始认知能力非常强大。但如果只是开一个 ChatGPT 聊天窗口，丢一个问题进去，得到的是一匹没有缰绳的马 — 有时候跑得很好，有时候跑偏了，有时候原地绕圈。多数人应该体验过：
- 同一个问题问两次，得到完全不同的答案
- AI 很有自信地给出错误的信息
- 做到一半突然忘了前面的脉络
- 给的代码能跑但有 bug，而它自己不知道
这些问题不是模型不够强，是因为模型在裸跑，没有马具。
模型是引擎，harness 是整台车。
一句话：包在 AI 模型外面、把原始认知能力转化为可靠产出的整套系统。
注意「整套系统」四个字。Harness 不是一段 prompt、不是一条指令、不是一个设置。它是一整个技术堆栈。
很多人问过一个问题：「为什么 Claude Code 感觉比网页版的 Claude 聪明那幺多？是不是用了不同的模型？」
答案是：同一个模型。 Claude Chat 和 Claude Code 可以跑一样的 Sonnet 或 Opus，差别完全在 harness。
网页版的 Claude 收到一段文本，回一段文本，结束。但 Claude Code 在背后多做了一整套事：
- 先读取整个项目结构，理解脉络
- 根据指令决定要做什么
- 用工具（读文档、写文档、跑指令）实际运行动作
- 检查结果对不对
- 如果不对，自己修正再来一次
- 过程中遵守一组规则（不能删重要文档、不能泄漏密钥…）
这整套流程，就是 harness。同一颗大脑，一个在考场里裸考，一个有笔记、有计算机、有草稿纸、有检查流程。产出品质自然不同。
Harness 听起来抽象，但它可以拆成六个具体的层次：
| 层次 | 白话翻译 | 在做什么 |
|---|---|---|
| 1. 循环（Loop） | 不断循环 | 观察 → 决定 → 行动 → 验证 → 更新，不断循环直到完成 |
| 2. 工具（Tools） | 能动手 | 让 AI 不只能说话，还能读文档、跑进程、call API、搜索网页 |
| 3. 上下文（Context） | 看到什么 | 控制 AI 看到哪些信息、不看哪些，避免信息重载 |
| 4. 持久化（Persistence） | 记得住 | 跨次对话、跨次运行，记得之前做过什么 |
| 5. 验证（Verification） | 会检查 | 做完之后跑测试、检查语法、自我审查，确保品质 |
| 6. 限制（Constraints） | 有边界 | 哪些事不准做、哪些文档不能碰、花费上限多少 |
这六层全都是系统工程的改进，不是模型的改进。 不需要等下一代模型出来，就可以让现在的 AI 表现更好 — 只要把 harness 做好。
最近爆红的 OpenClaw 就是一个好例子。OpenClaw 本身不是模型 — 它背后跑的是 Claude、GPT 或其他 LLM。OpenClaw 卖的其实就是一整套 harness：SOUL.md 定义角色和限制条件（第六层），Memory 机制让 agent 跨对话记住上下文（第四层），Agent Loop 让它持续运行接收指令（第一层），Shell 和 API 工具让它能动手做事（第二层）。
而且 harness 可以叠加。OpenClaw 提供了基础 harness，用户还可以通过 SKILL.md 把自己的工作流程写成 SOP，让 AI 按照既定模式运行，而不是每次都从头理解模糊的指令。SKILL.md 写得越精准，AI 的运行品质就越稳定 — 这也是 harness 设计功力的体现。
最好的证明来自 LangChain 在 2026 年 2 月做的一个实验。他们拿自家的 coding agent 去跑业界基准测试，成绩是 52.8%，排名在 30 名之外。然后他们什么都没换 — 同一个模型、同一组 API — 只改了 harness。结果：66.5%，排名跳到 Top 5。他们具体改了什么？
- 加了自我验证循环 — 在 AI 说「我做完了」之前，强制它跑一轮 checklist 确认
- 注入环境上下文 — 开始工作前，先把目录结构扫一遍喂给 AI
- 防迷路机制 — 侦测 AI 是否在重复编辑同一个文档（陷入循环）
- 调整推理预算 — 规划和验证时给多一点思考额度，实作时少一点
- 失败分析 — 自动分析每次失败的模式，归纳改进方向
没有一项是「换个更强的模型」。全部都是 harness 层面的改进。
Vercel 的案例更直接。他们把 AI agent 可以用的工具从 15 个砍到只剩 2 个。结果？
准确率从 80% 升到 100%。Token 用量少了 37%。速度快了 3.5 倍。
少即是多。限制本身就是 harness 的一部分。
Harness 不是新概念，但为什么所有人突然都在谈？因为模型够强了。2024 年之前，模型本身的能力就是瓶颈，再好的 harness 也拯救不了一个连基本逻辑都搞不定的模型。2025 年，GPT-4.1、Claude Sonnet 4、Gemini 2.5 Pro 把基本能力拉到了够用的水准。
然后大家发现：模型之间的差距越来越小，但同一个模型在不同 harness 下的表现却天差地远。 两个产品明明用同一个模型，体验起来却像完全不同的物种 — 不同的节奏、不同的稳定度、不同的质感。同一颗大脑，不同的 harness。
这就是为什么 Aakash Gupta 写了一篇文章叫：「2025 年是 Agent 年，2026 年是 Agent Harness 年」。
前沿正在从「prompt engineering」转向 「harness engineering」，而这个转向最近被正式当成一门学科来谈。
差别其实很简单：prompt engineering 是把你对 AI 下的那一句话写好；harness engineering 是把 AI 工作的整套系统设计好：循环怎么跑、能用哪些工具、看得到哪些上下文、做完谁来验、哪里不准碰。那句 prompt 写得再漂亮，也抵不过一副设计良好的 harness。
而再往前推一步，不只设计系统，而是设计一个会自己对 AI 反复下指令的循环，让它无人看管也能一轮一轮跑到做完，就是循环工程（Loop Engineering）。我在那篇里记录了它落在一个一人工作者身上、半夜无人自动跑的样子。
这不只是技术观察。不写进程、不碰 AI 工具的人，也能从 harness 的概念中得到启发。想想这个模拟：
- 大脑 = 模型（原始认知能力）
- 环境、习惯、工具、回馈机制 = harness
大多数人想变得更有生产力时，会怎么做？阅读更多、学更多技能、锻炼意志力 — 这些都是在试图升级模型。
但 harness 的观点告诉我们：最快的改变不是升级大脑，是升级环境。
把手机放到另一个房间，专注力立刻提升。不是因为意志力变强了，而是环境的限制条件（harness 的第六层）改变了。设计一个每天固定时间写作的流程，产出会变稳定。不是因为突然变得更有才华，而是循环（harness 的第一层）创建了。
不自己设计 harness，就会活在别人设计的系统里。社群媒体的算法、公司的 KPI 制度、手机的通知系统 — 全都是别人设计的 harness，而且不是为了我们的目标设计的。我之前写过打造个人全景监控系统，内核概念一样：主动设计自己的信息环境，而不是被动接受别人喂给我们的东西。
如果对「用 AI 打造自己的 harness」有兴趣，10/24（六）杭州班招生中——6 小时带你从零创建个人的 AI 指挥中心（FLUX 系统），不需要会写进程。看工作坊详情 →
一个 agent 的 harness 做好了，下一个问题来了 — 如果不只有一个 AI agent，而是有十个呢？谁做什么？谁跟谁报告？预算怎么分？品质谁把关？有人做重复的事怎么办？有人卡住了怎么办？
这些问题听起来很熟，因为它们就是每一间公司、每一个团队 leader、每一个 PM 每天都在处理的问题。只不过现在，员工变成了 AI。
我在下一篇文章里实际试了 — 我建了一间 AI Agent 公司，第一天就想解散它。把真实公司的管理方法搬到 AI agent 上，会发生什么事？剧透：流程本身变成了瓶颈。
常见问题
- AI Harness 是什么？
- Harness 是包在 AI 模型外面、把原始认知能力转化为可靠产出的整套系统。原意是马具 — 套在马身上，把力量导向特定方向的装备。在 AI 语境下，模型是引擎，harness 是整台车。包含六个层次：循环、工具、上下文管理、持久化、验证、限制条件。
- 为什么 Harness 比模型重要？
- LangChain 用同一个模型（gpt-5.2-codex），只改 harness，在 Terminal Bench 2.0 的成绩从 52.8% 跳到 66.5%，从 Top 30 外跳到 Top 5。Vercel 把 agent 工具从 15 个砍到 2 个，准确率从 80% 升到 100%。真正的差异不在模型，在系统设计。
- Harness Engineering 是什么？
- Martin Fowler 在 2026 年 2 月命名的新领域 — 不是写 prompt，而是设计循环、工具链、验证流程、上下文策略的完整系统工程。OpenAI Codex 团队用这套方法，让 AI agent 生成了超过 100 万行代码，零手写。
