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：

1. 发现有用的原语 → 加入 Harness
2. 用新 Harness 训练下一代模型
3. 模型在这个 Harness 里更强大
4. 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】