传统RAG系统将文档切分为平面文本块，通过向量相似度检索来增强大模型生成。这种模式在简单事实问答中表现良好，却难以应对需要**全局结构理解**、**跨章节整合**和**方法论复用**的复杂创新任务。现有改进方案如RAPTOR（层次摘要树）和GraphRAG（图结构）虽提升了导航能力，但仍停留在"证据查找"层面，缺乏对"方法派生关系"的显式建模。

最近，真的是屁颠屁颠地使用Openclaw作为业务核心为客户打造智能体的工作流程，包括组织、业务、技术三个全面的转型。同时，由于OpenAI的Sora下线，年初刚刚建立的AI漫剧工作流，资产库以及提示词都需要转换成替代品。还有，参加了一个专门为中小企业打造智能转型的组织当讲师。

从 Kubernetes 的声明式协调，到 AI Agent 的自主编程，工程系统越来越像一个需要被设计、观测和校正的闭环。这篇文章想讨论的是：为什么控制论提供了一个理解 Harness Engineering 的好视角，并以此得到实践上的启发。

所有人都在追逐更强大的模型，但几乎没人谈论脚手架。这是我最近观察到的一个奇怪现象。每当有新模型发布，科技圈就会沸腾，大家讨论参数量、基准测试分数、上下文长度。但当我深入研究那些真正成功的 AI agent 产品时，我发现了一个被严重忽视的真相：决定 AI agent 性能的，不是你用哪个模型，而是你如何使用这个模型。同一个模型，在不同的系统架构下，性能可以相差一倍。Claude Opus 4.5

你是否想过：让AI自己写代码、自己修bug、自己提交PR——而且能够连续工作数小时、数天甚至数周？OpenAI和Anthropic正在用Harness Engineering破解长程运行的密码！

长对话AI聊得久了，AI要么记混关键信息，要么因冗余内容卡顿，甚至把细节丢在“记忆中间”。这背后是LLM记忆系统的通病：要么为“全记”耗算力，要么为“快记”丢信息。浙江大学团队提出的LightMem: Lightweight and Efficient Memory-Augmented Generation通过借鉴人类记忆模式，实现了“记得准、跑得稳、成本低”。

2025年是Agent的元年，而2026年将是Agent Harness的爆发之年。为什么OpenAI、Anthropic等顶级AI公司都在疯狂投入Harness Engineering？为什么说不掌握Harness，你的Agent永远只能是个"玩具"？本文将从架构师视角，深度解析Agent Harness的底层原理、核心组件和实战应用。

如果你不是模型，你就是框架。这个公式听起来简单，但真正理解它需要费点功夫。

所有人都在追逐更强大的模型，但几乎没人谈论脚手架。这是我最近观察到的一个奇怪现象。每当有新模型发布，科技圈就会沸腾，大家讨论参数量、基准测试分数、上下文长度。但当我深入研究那些真正成功的 AI agent 产品时，我发现了一个被严重忽视的真相：决定 AI agent 性能的，不是你用哪个模型，而是你如何使用这个模型。同一个模型，在不同的系统架构下，性能可以相差一倍。Claude Opus 4.5

你是否想过：让AI自己写代码、自己修bug、自己提交PR——而且能够连续工作数小时、数天甚至数周？OpenAI和Anthropic正在用Harness Engineering破解长程运行的密码！