最近一直在思索一个问题，模型能力日新月异，本号也持续跟踪了这么久，很多技术在当时看来都是非常有用的多经验，但现在看来纯属白学，更有很多产品纯属白做。那到底应该学点什么做点什么才能不被大模型吞噬呢？人类和AI协作边界到底在哪里？

前排提示，文末有大模型AGI-CSDN独家资料包哦！

对照人类来看，似乎只有管理学，经济学能够跨越周期，要从具体的补全能力，微操中跳脱出来，将注意力变为如何构建和管理。

从最近claude code一系列的更新来看，这一趋势已经形成。而一个新概念或许成为2026年继vibecoding、Agent Engineering之后的新概念：Harnesses Engineering。

这一概念在笔者之前文章有提过，但一直没有确切的理解，特别是贴切形容Harnesses到底是什么？

直到最近看到一篇Langchain工程师viv撰写的文章，得到很多人的赞同，文章提出了一个简洁有力的心智模型：Agent = Model + Harness。

如果把模型比作一匹马，那么Harness就是握在手中的缰绳。很好的体现了管理和驾驭的感觉，马怎么走是马的事情，你应该关注的是能让它跑对方向，该停停该走走，试图扛着马走都是错误的行为。

如果不是模型本身，那就是缰绳的一部分。缰绳包含了所有让模型成为有用工作引擎的代码、配置和执行逻辑。

为什么需要Harness？

模型本身只能处理文本、图像等数据并输出文本。它无法自主维持状态、执行代码或访问实时知识。这些能力都需要缰绳来提供。

文章从“期望的智能体行为”出发，反向推导出Harness需要具备的功能。

核心Harness组件

文件系统是最基础的缰绳原语。它为智能体提供了持久化工作空间，使得工作可以增量进行，状态可以跨会话保持，也成为了多智能体协作的自然界面。

代码执行能力让智能体能够自主解决问题，而不是受限于预设的工具集。给模型一个bash工具，相当于给了它一台计算机。

沙盒环境确保了代码执行的安全性和可扩展性。好的环境还配备了默认工具链，帮助智能体观察和验证自己的工作，形成自我修正的循环。

记忆与搜索通过文件系统和上下文注入实现持续学习。Web搜索等工具帮助模型突破知识截止日期的限制。

上下文管理对抗“上下文腐化”——模型性能随着上下文窗口填满而下降的问题。压缩、工具调用卸载、技能渐进披露等都是有效的策略。

长期自主执行需要前面所有能力的复合。文件系统和git用于跨会话跟踪工作，Ralph循环强制智能体继续未完成的任务，规划和自我验证确保工作不偏离轨道。

模型训练与Harness设计的耦合

今天的智能体产品如Claude Code，其模型训练过程已经与Harness设计紧密耦合。有用的Harness原语被发现、标准化，然后被用于下一代模型的训练。

这种共同进化带来了一个有趣的现象：改变工具逻辑会导致模型性能下降。模型在它被训练时所处的Harness环境中表现最好，但这并不意味着那就是最适合你任务的Harness。

Harness工程的未来

随着模型能力增强，今天Harness中的部分功能可能会被模型原生吸收。但正如提示工程至今仍有价值一样，Harness工程很可能继续在构建优秀智能体方面发挥重要作用。

当驾驭单一智能体后，如何驾驭一个军团，就成了Harness工程的下一个重要课题。比如，有网友就提出一个重要维度：当并行运行数百个智能体时，Harness需要管理智能体身份和信任体系，每个智能体的输出信誉成为基础设施的一部分。

另一个观点认为，未来Harness可能会在运行时根据用户提示动态组合，而不是预先配置，从而实现更通用的模型能力。

文章最后指出，Harness工程是一个活跃的研究领域，涉及协调数百个智能体在共享代码库上并行工作、分析自身轨迹以识别和修复失败模式等挑战。

小结

Harness的外延和内涵都在不断丰富中。

珍妮纺纱机，瓦特蒸汽机从未创造工业革命，真正点燃那场变革的，是英国当时将生产从‘个人手工作坊’强行拉向‘标准化公司工厂’，并随之创造了股票、期权与有限责任制度的一系列金融与制度创新。

如果把AI看作是一匹充满潜力的马，那么技术实践只是马具的打造，而金融与管理实践才是决定这匹马能否跑出生产力的缰绳。AI 要真正驱动新一轮工业革命，不仅需要模型能力的进化，更需要一种‘Harness思维’的觉醒：从过去痴迷于补全模型微操，跃迁到构建驾驭智能的工程体系与激励机制。毕竟，无论是当年将手工业者赶进工厂做工人，还是今天将 Agent 装入 Harness，人类最核心的竞争力，从来都不是去扛着马跑，而是通过构建高效的协作与资本系统，让那些强大的智能精准落地。

模型即智能，而Harness是让这种智能变得有用的系统，甚至会触发新的超越技术的革命。

关注公众号回复“进群”入群讨论。

读者福利：倘若大家对大模型感兴趣，那么这套大模型学习资料一定对你有用。

针对0基础小白：

如果你是零基础小白，快速入门大模型是可行的。
大模型学习流程较短，学习内容全面，需要理论与实践结合
学习计划和方向能根据资料进行归纳总结

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

这里我们能提供零基础学习书籍和视频。作为最快捷也是最有效的方式之一，跟着老师的思路，由浅入深，从理论到实操，其实大模型并不难。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
_sobaiduwebdefault-0-137261875.142%5Ev100%5Epc_search_result_base4&spm=1018.2226.3001.4187)👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓