要理解这一点，我们必须从大模型的视角来看待问题。🧐大模型就像一个泡在营养液里的天才大脑。它天生只能吃进数据（文本/图像），然后吐出文本。它本身做不到：在多次对话中维持持久化的记忆和状态。真的去敲击键盘执行代码。连上互联网获取实时的知识。自己搭建环境或安装各种代码包。如果我们希望Agent拥有这些能力，那就需要Harness来实现。因此，Harness工程的本质，就是以终为始：我们想要 Agent

垂直 Agent 的“垂直”，并不主要来自 Prompt，而来自 Harness。可以把 OpenScience 的产品思路压缩成一个公式：👉 科研工作台 = 通用 Agent Loop + 专业数据平面 + 持续计算环境 + Artifact 协议 + 研究型 Session + 可观察反馈这里模型未必因此变得更聪明，但它开始能够以更接近科研工作的方式使用自己的聪明。这也是对 Claude S

总结一下～Channel 负责拉客入场，Gateway 负责居中调度，Node 负责撸起袖子干活，最后 Agent Runtime 负责深度思考。OpenClaw 让我们看到了一个真正的 Harness Engineer：不要假设模型不犯错，而是去建立 Gateway 来鉴权，用 Node 沙箱来阻断，用 Runtime 压缩来抵抗遗忘。它让 AI 真正走出聊天框，安全地接入用户的现实世界。🥰。

在并行工作流中，两个 Agent 同时修改同一个文件，就像是人类工程师在毫无沟通的情况下修改同一个代码仓库。Worktrees：👉 Codex 内置了 Git worktree 支持。这为每个并行的子任务分配了绝对干净的、物理隔离的工作目录。这完美呼应了 Anthropic 在架构中“把沙盒变成「牛」”的设计哲学：沙盒只是一个干脏活的隔离环境，大脑（Harness）可以在一个又一个隔离环境里调度

再回到开篇的那个问题：Claude Code 明明已经有两层循环，为什么还需要 Loop Engineering？现在可以这样回答：Claude Code 的query_loop解决了一个 Agent 被叫醒之后，如何调用模型、执行工具，再一轮轮把任务做下去；而 Optio 继续追问的是，当这次运行结束以后，谁检查结果，谁记住现场，谁决定要不要再次叫醒它。前者让 Agent 能够行动，后者让行动可

从外层的 Supporting Systems 支撑基建，到内层无限流转的query_loop，Claude Code 的强大源于其严密且克制的系统工程。技术概念的浪潮总是一波接着一波，但底层的本质却始终如一。希望这篇文章，可以帮助你从底层拨开 Agent 的迷雾，在动手落地的路上走得更稳一点。😊。

从本地的一段 query_loop 循环，到云端的 Managed Agents 解耦架构，正如 Anthropic 博客中写道的：挑战其实是一个古老的问题：如何为“尚未被构想出来的程序”设计系统。所以，Agent 不是一个更复杂的Chatbot，它是一套全新的计算范式。💻。

过去的计算，像是在执行一套被人写好的控制流程；而今天的智能，更像是在上下文中调用过去沉淀下来的经验。Agent 的下一步，不是单纯追求模型参数的变大或逻辑推理的绝对完美。真正的壁垒，在于能否为它设计一套 Harness，一套完善的记忆系统，让它具备时间感。当一万个用户使用同一套底座软件时，借助柔性软件的范式和做梦沉淀的记忆，Agent 能在数字世界里，为每个人裁剪出其心仪的定制西装。它不再是一个用

总结一下～Channel 负责拉客入场，Gateway 负责居中调度，Node 负责撸起袖子干活，最后 Agent Runtime 负责深度思考。OpenClaw 让我们看到了一个真正的 Harness Engineer：不要假设模型不犯错，而是去建立 Gateway 来鉴权，用 Node 沙箱来阻断，用 Runtime 压缩来抵抗遗忘。它让 AI 真正走出聊天框，安全地接入用户的现实世界。🥰。

要理解这一点，我们必须从大模型的视角来看待问题。🧐大模型就像一个泡在营养液里的天才大脑。它天生只能吃进数据（文本/图像），然后吐出文本。它本身做不到：在多次对话中维持持久化的记忆和状态。真的去敲击键盘执行代码。连上互联网获取实时的知识。自己搭建环境或安装各种代码包。如果我们希望Agent拥有这些能力，那就需要Harness来实现。因此，Harness工程的本质，就是以终为始：我们想要 Agent