当我们让 AI Agent 实现一个功能，它思考了一下，开始写代码。200 行写完，运行 lint 直接失败。我们发现类型定义文件 import 了配置包，但是违反了我们期望的架构分层约束，因为 Agent 不知道这个规则，当然我们也没告诉它。于是它开始修复：移动代码、调整依赖、重新组织。再跑 lint——又一个新问题。循环三次后，上下文窗口被错误日志和 diff 塞满，Agent 开始"忘记"最

小灰结合行业内教程和自己的实操经验，给大家做个总结，帮大家快速抓住核心：大模型落地的核心矛盾，从来不是“模型不够强”，而是“模型不可控”；Prompt 是“教AI听懂话”，Harness 是“让AI守规矩”，Harness Engineering 是“建立一套让AI守规矩的体系”；未来AI的竞争，是工程化落地的竞争，不懂Harness Engineering，哪怕Prompt写得再好，也做不好AI

2025 被成为 AI Agent 元年，26 年更是明确为 Agent 大年，比如最近爆火的 OpenClaw 就是一个 Agent，并且大量各种各样的 Agent 正将像雨后春笋般出现，很可能改变我们的工作与生活方式。所以 Agent 这个词出现的频率非常之高，但你真要问 Agent 是个撒？又没几个人说得清楚。Agent 一词源自拉丁语 agere，本义是 “去做、去行动”。从概念上看，Ag

2026年底层模型越来越趋向于商品化，Harness 才是差异化所在。LangChain 未换模型在编码基准上提升了 14 个百分点，OpenAI 用零行手写代码造了一个百万行的生产应用——工程师的工作是设计 Harness。Stripe 内部的 Minions 系统每周产出超过 1,000 个合并的 Pull Request，从任务创建到 PR 审查之间无需开发者介入，Harness 接管了测试

本文真正想做的事情其实很简单。就是把 Harness 从一个容易越讲越糊的热词，重新拆回一个有层次的工程对象。三层：知识层、约束与流程层、反馈与运行时层。每一层解决的问题不一样，补法也不一样。OpenAI 在文中提醒我们：当 Agent 成为主要生产力，仓库就是大脑，架构边界就是护栏，文档和规则要版本化进仓库，而不是散在聊天记录和脑子里。

最近，不少工程师，应该都被一个叫Harness Engineering的东西搞得一头雾水。是的，大模型圈，又出了新概念。它的起源是今年2月，HashiCorp 和 Terraform的联合创始人 Mitchell Hashimoto 的一篇blog，在文章中，他表示：“每当我发现 Agent 犯了一个错误，我就花时间工程化一个解决方案，让它永远不再犯同样的错误。我叫这个过程 Harness Eng

agent harness（或 scaffold）是让模型能够作为 agent 行动起来的系统；它负责处理输入、编排工具调用并返回结果。更关键的是，Anthropic 进一步指出：当我们评估“一个 agent”时，实际上评估的是的组合，而不是模型单独的能力。这个定义非常重要，因为它把 agent 效果的解释单位，从模型参数，转移到了模型所处的外循环结构。和不是一回事。前者负责让 agent 运行（

如果你不是模型，那就是 Harness。这句话听起来有点绝对，但确实抓住了关键。Harness 本质上就是模型之外的一切：代码、配置，以及各种执行逻辑。模型本身只是能力的来源，只有通过 Harness 把状态、工具调用、反馈循环和约束机制串起来，它才真正变成一个 Agent。•系统提示词：定义模型的角色和目标•工具、技能、MCP：模型可以调用的外部能力•基础设施：文件系统、沙箱、浏览器等运行环境•

开发智能体不是写一堆 if-else、搭工作流，然后把模型接进来智能体就是大模型本身，它天生会推理、会决策，你要做的，是给它搭一个干活的环境：能用什么工具、能看什么文件、怎么和别人协作，这个环境叫 Harness，这个过程就是Harness 工程Harness = 工具 + 知识 + 上下文管理 + 权限边界打个比方：模型是司机，Harness 是车，你不需要教司机怎么开车，你只需要造一辆好车这个

是一个由 Google云孵化的开源项目（需要注意，根据项目说明，这并非 Google 官方支持的产品），它巧妙地将大型语言模型 (LLM) 的能力引入到 Kubernetes 的日常操作中。当 AI 帮助你执行了一个复杂的查询或修改操作后，它能用易于理解的语言告诉你发生了什么，以及当前的状态是怎样的。它支持多种业界领先的 AI 模型，包括 Google 的 Gemini 系列、OpenAI 的 G