> **来源：[研报客](https://pc.yanbaoke.cn)** # Harness Engineering——驯服Agent总结 ## 核心内容 Harness Engineering 是 AI Agent 工程实践从 "Prompt 时代" 向 "Agent 基础设施时代" 过渡的关键范式。它围绕 AI 模型构建完整的执行控制系统，通过约束、循环与验证，使 Agent 在真实环境中稳定、可靠地运行。 ## 主要观点 - **工程演进路径**：AI Agent 工程实践经历了 Prompt → Context → Harness → Loop 四个阶段，层层递进、嵌套包含，而非简单替代。 - **核心理念**：Harness 不仅是模型能力的补充，更是系统级可靠性保障，使 AI 能力从单次交互升级为生产级流。 - **Agent = Model + Harness**：模型提供智能，Harness 提供可靠性，人类从“写 Prompt/代码”转向“设计环境与规则”，再到“设计循环系统”。 - **关键挑战**：包括任务漂移、上下文遗忘、执行失控、结果无法验证、长期运行成本过高。 - **未来趋势**：Loop Engineering 成为关键，Agent 需要长期自主运行与自我驱动，通过自动化循环系统实现任务闭环。 ## 关键信息 ### 01 工程挑战 - **任务漂移**：长周期任务中容易丢失初始目标。 - **上下文遗忘**：Agent 在处理复杂任务时可能丢失历史信息。 - **执行失控**：遇到错误无法自我纠正，陷入无效重试。 - **结果无法验证**：缺乏客观评价标准，导致产出不可靠。 - **长期运行成本高**：Token 消耗大，效率低下。 ### 02 Harness 解决的关键问题 1. **Agent 会做，但做不完**：通过外部执行骨架确保任务闭环。 2. **AI 自己判断自己正确**：引入外部验证器，由系统裁定任务完成。 3. **复杂任务失控**：通过任务拆解、依赖图、状态管理等手段提升可管理性。 4. **行为不可预测**：通过固定流程、权限限制、结构化反馈等降低随机性。 5. **长期任务失忆**：通过 Memory + State + Event System 保持上下文连贯性。 6. **多 Agent 协作混乱**：通过统一调度层（Orchestrator）明确分工与权限。 7. **AI 软件开发无法规模化**：通过任务契约（Obligation）与技术债管理，实现可审计、可复现、可追踪、可回滚的系统。 ### 03 Harness 核心架构与设计原则 - **一级框架**：Constraints（约束）、Execution Loop（循环）、Quality Gate（质量）。 - **二级框架**： - Context（上下文管理） - Memory（记忆系统） - Orchestration（编排） - Feedback（反馈） - Verification（验证） - **三级框架**：包括 Execution、Tool、Context、Lifecycle、Observability、Verification、Governance 等。 ### 04 Harness 设计原则 - **约束要小而明确**：最小权限、显式约束、失败收敛。 - **循环要可控可恢复**：状态可恢复、反馈结构化、循环有边界。 - **质量要可验证不可假设**：验证优于信任、风险决定自主权、可观测性。 ### 05 实践案例分析 - **OpenAI Codex**：强调工程循环，将任务拆解为理解、修改、测试、修复、提交。 - **Anthropic Claude Code**：注重安全自主执行，引入 CLAUDE.md、MCP、Skills 等机制。 - **共同趋势**：通过约束控制行为，通过循环提升能力，通过验证保证质量。 ### 06 实践建议 - **分类再执行**：先明确问题性质，再决定将其归入哪一层（约束、状态、契约、验证、成本）。 - **Prompt 定位**：表达意图，不承担强制执行功能。 - **Skill 分离裁决权**：Skill 仅负责方法与证据，任务分配与判定应由系统完成。 - **统一约束模型**：随着工具增长，系统需统一约束模型，避免能力野蛮生长。 - **任务契约机制**：确保“完成”必须经过验证，而非仅凭执行者声明。 - **状态与记忆系统**：系统主动保存执行过程中的状态和决策记录，形成可验证、可追溯的完成链路。 - **人机分工重构**：人类聚焦于目标设定、约束定义与价值判断，Agent 负责执行、验证与优化。 - **平台化趋势**：Harness 能力正在从团队手工搭建转向平台化封装，如 OpenAI 将 Memory、State、Orchestration 等模块整合进 ChatGPT Work。 ### 07 未来演进 - **从 Prompt 到 Loop**：工程范式持续演进，由控制输出转向控制环境，再到控制反馈循环。 - **人机协作边界重新划分**：人类负责定义空间，Agent 负责高效搜索。 - **挑战与展望**： - **持久化记忆**：如何在长期运行中积累可靠经验。 - **多 Agent 组织能力**：形成稳定分工、协调与治理机制。 - **长期自主性边界**：在缺乏持续监督的情况下，如何保持目标一致性与安全性。 - **模型与平台竞争**：GPT-5.6 家族、Claude Fable 5、GLM 系列等都在推动 Harness 能力产品化与标准化。 ## 总结 Harness Engineering 是 AI Agent 构建的关键工程学科，它通过约束、循环与验证，使 AI 能力从单次交互升级为生产级流。未来，随着 Agent 从“任务型”向“组织型/持久型”演进，Harness 能力将更加标准化、平台化，推动 AI 从“可用”走向“可靠”，再走向“自主”。