点击上方 前端Q，关注公众号

回复加群，加入前端Q技术交流群

这两个月你应该已经感受到了，AI 圈的重心有点变了。

以前大家最爱聊的是：

▸哪个模型更强

▸上下文窗口多大

▸Prompt 怎么写

▸API 价格怎么比

现在真正火起来的，却越来越像另一类东西：

▸Claude Code

▸Cursor Agent

▸gstack 这种“虚拟工程团队”

▸Browser Use、OpenClaw 这种能直接操作环境的系统

▸各种 Workflow、Graph、Supervisor、Multi-Agent 框架

你会发现，大家已经不满足于“让模型回答问题”了，而是在认真折腾一件事：

怎么让模型持续工作，而且别失控。

我现在越来越认同一个判断：

模型决定能力下限，Harness 决定系统上限。

先把结论摆出来

很多 AI Demo 都不难做。

常见路径基本都一样：

1. 选一个模型

2. 写一个 Prompt

3. 接几个工具

4. 跑起来

到这一步，演示 usually 都挺唬人。

但只要你把它放进真实系统，问题就会扑面而来。

Demo 阶段	真实系统阶段
能跑	要稳定
能演示	要可控
有输出	要可评估
能调用工具	要有边界
会做一步	要能持续推进

这就是我想聊 Harness 的原因。

它不是模型，也不是 Prompt。

它更像模型外那层工程骨架，负责把：

▸上下文

▸工具

▸流程

▸评测

▸护栏

▸观测

▸前端体验

这些东西真正组织起来。

为什么最近 gstack 这种项目会爆火

先看一个现象级案例：gstack。

只看表面，它像一组技能包。

但你仔细一看，它真正做的不是“多给模型几个提示词”，而是把 AI 编程流程拆成了几个明确环节：

环节	对应动作
想清楚	office hours / plan review
开始做	implementation
查问题	review / investigate
做验证	qa / benchmark
发上线	ship / deploy

这就很关键了。

它火，不是因为“AI 会写代码”这件事新鲜。

而是因为它把很多人已经隐约感觉到的问题说透了：

真正难的不是让模型做一件事，而是让模型按流程、按边界、按质量要求持续做事。

gstack 的价值，不只是“多角色”，而是它把 AI Coding 组织成了一个可执行流程。

Demo 为什么能跑，系统为什么会失控

这事特别像前端开发。

一个页面 demo 跑起来不难，但你真接进业务，就要面对：

▸状态管理

▸错误兜底

▸性能指标

▸权限边界

▸线上排查

AI Agent 也是一样。

很多系统不是“模型不会”，而是“外面的工程壳没搭好”。

先看一张图：

如果把问题压缩一下，核心通常就是这 5 类：

▎1. 上下文会丢

Anthropic 在讲 long-running agents 的文章里说得很直接。

长任务会跨多个 context window、多个 session、多个阶段。新一轮 agent 进来时，如果不知道上一轮做了什么，就像工程师交班时没有文档。

这时候你缺的就不是更强模型，而是：

▸进度记录

▸状态快照

▸feature list

▸checkpoint

▸干净交接面

▎2. 工具会误调

OpenAI 在 agent guide 里把 agent 的基础拆成了三部分：

▸model

▸tools

▸instructions

听起来简单，但工程里真正麻烦的是：

▸schema 写得清不清楚

▸相似工具会不会混淆

▸参数会不会经常填错

▸动作有没有权限边界

▸失败后怎么重试

所以工具不是“接上就完事”，它需要一层专门的 Tool Harness。

▎3. 流程会跑偏

Anthropic 在《Building effective agents》里反复强调一件事：

effective agents 往往来自 simple, composable patterns。

这句话特别重要。

因为很多团队一做 Agent，第一反应就是：

▸多 Agent

▸Graph

▸自动规划

▸复杂路由

结果很容易把系统做成一个“看起来高级，但很难 debug”的黑盒。

▎4. 没有评测，就不知道有没有变好

这是很多 AI 产品最容易忽略的一层。

普通软件系统里，我们已经习惯了这些词：

▸测试

▸回归

▸监控

▸报警

但不少 AI 系统今天还在靠感觉：

▸“这次输出看起来不错”

▸“这个版本好像更聪明了”

问题是，感觉不是评测。

如果你改了 Prompt、换了模型、加了工具、改了 workflow，最后系统到底变好了，还是只是某几个 case 看起来更顺了？没有 eval，很难说清。

▎5. 真要执行动作时，你未必敢放权

Agent 一旦从“回答问题”升级到“实际做事”，风险也跟着上来了。

比如：

▸发消息

▸改数据库

▸下工单

▸改代码

▸发布上线

▸操作浏览器

这时候系统关心的重点马上就会变成：

问题	需要的能力
哪些动作必须人工确认	审批点
哪些动作可以自动放行	策略边界
越权怎么办	guardrail
出错后怎么止损	rollback / kill switch

这已经不是“模型聪不聪明”的问题了，而是系统治理问题。

那到底什么是 Harness