Harness工程是由OpenAI提出的新概念，通过设计约束系统让AI智能体自主写代码。核心逻辑包括上下文工程、架构约束和熵管理，强调工程师主导、AI执行的模式。文章探讨了Harness工程的应用场景、争议和未来意义，指出其在模型能力不足时通过工程手段弥补，引发对AI系统设计中人机边界的思考。

最近，AI 圈又有新词了，这次叫 Harness。

什么是 Harness Engineering？

一句话理解：

传统工程：人类写代码 → 机器执行Harness Engineering：人类设计约束 → 智能体写代码 → 机器执行

工程师的产出，从代码变成了约束系统。

01 起源

这个概念由 OpenAI 在 2026 年 2 月正式提出。

他们有一支团队（3人起步，后来扩展到 7 人），用了 5 个月时间，以"完全不手写代码"为强制性约束，让 AI 智能体（Codex）自主维护一个超过 100 万行代码的大型应用。

结果是跑通了，大约 1500 个 PR，人均日均 3.5 个 PR，效率是手写代码的约 10 倍。

“Harness"这个词的翻译是"马具”，但本身有"驭缰"的意思，所以我觉得的应该这么理解，不是压制 AI，而是给 AI 套上缰绳，让它在可控的范围内跑起来。

02 核心逻辑

Birgitta Böckeler（Thoughtworks 工程师）对这个框架的理解是：harness 是一套工具和实践的组合，用来让 AI 智能体保持在可控范围内运作。

它包含三类组件，混合了确定性手段和 LLM 手段：

① 上下文工程（Context Engineering）

把所有知识放进代码仓库，因为"不在仓库里的东西，对智能体不存在"。

Slack 讨论、Google Doc、脑子里的决策，对 AI 都是透明的。

一切必须以版本化文件存进 repo。

② 架构约束（Architectural Constraints）

不只靠 LLM 自己判断，还要有确定性的自定义 linter 和结构测试来守住边界。

lint 错误信息里内嵌修复指令，让 AI 可以自我纠错。文档会腐烂，但 lint 规则不会。

③ 熵管理（Garbage Collection）

AI 会复现仓库中已有的模式——包括坏模式。

所以要定期跑后台 Agent，扫描偏差、发起重构 PR，持续对抗技术债。

OpenAI 团队的做法是：当 Agent 遇到困难时，把它当作信号。

找出缺少什么（工具、护栏、文档），然后反哺回仓库，始终让 Codex 自己写修复。

03 六大核心概念

这六个概念分别是：

1. 仓库即记录系统；
2. 地图而非手册（AGENTS.md 约 100 行的入口文件，指向更深层文档）；
3. 机械化执行（自定义 linter 是不变量的守护者）；
4. 智能体可读性（选"无聊"但稳定的技术栈）；
5. 吞吐量改变合并理念（纠错成本低，等待成本高）；
6. 熵管理即垃圾回收（技术债是高息贷款，智能体会复现仓库中已有的模式包括坏模式）。

04 争议和未解的问题

Birgitta 指出，OpenAI 的整篇文章聚焦在提升内部代码质量和可维护性，但功能验证和行为正确性完全没有提到，这是一个明显的缺口。

另外她也点出了一个更深的结构性推断：如果要让 AI 生成的代码在规模上可信赖，就必须收窄解空间，特定的架构模式、强制的边界、标准化的结构。

这意味着要放弃"随便生成任何东西"的灵活性，换来可靠性。

05 何意味

作为 Agent 领域的观察者，这个概念直接影响你怎么设计 Agent 系统。

不是问"这个 Agent 能力多强"，而是问：

• 它运行的环境约束设计得够不够好？
• 反馈回路有没有闭合？
• 谁在对抗熵（即系统腐烂）？

核心转变就是这一句话：工程师掌舵，智能体执行。

说白了就是，系统你要设计好，你来输入，剩下来交给 Agent 来输出，到底输出成怎么样，完全取决于你的输出和设计。

写在最后

Prompt Engineering、RAG、Agent、Agentic、Vibe Coding…每隔几周就来一个。大部分都是把已有的东西重新包装一下，给媒体和 KOL 炒一轮，然后悄悄消失。

所以，Harness 呢？

但读完所有材料，我有一个没法回避的疑问。

Harness 解决的每一个问题，追根溯源都指向同一件事——模型现在还不够强。

上下文有限所以要渐进式披露，模型会漂移所以要加 linter 强制纠正，工具越少越好是因为推理资源有限、选择成本高。

把这些翻译回来，Harness 在做的事是——在模型不够强的前提下，用工程手段弥补它的不足。

那如果有一天上下文无限、模型真的无所不能，还需要这套东西吗？

我觉得，Harness 的很多具体形态可能是过渡期的解法。

就像早期程序员手动管理内存，后来语言自己解决了，没有人再觉得这是工程美德。技术进化的方向，往往是把今天的工程复杂度变成明天的底层基础设施。

但有一个问题不会消失，在 AI 大量参与的系统里，人负责什么、机器负责什么、边界在哪里，这件事需要深思。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？