AI 智能体 Harness 架构2026 年前沿范式深度解析一、什么是 Harness核心定义2026 年AI 工程领域形成了一个共识公式Agent Model HarnessHarness线束/驾驭系统是包裹在 LLM 外层的全部工程基础设施——执行循环、工具接口、上下文管理、状态持久化、反馈验证、沙箱隔离、权限治理、可观测性。用一句话定位“如果你不是模型你就是 Harness。”隐喻来源于驯马——模型是强大但不羁的马Harness 提供方向、控制和安全。这个隐喻的深意在于马越强缰绳越重要。GPT-5 和 Claude Opus 4.7 级别的模型如果失控破坏力远大于弱模型。二、时代演进我们怎么走到 Harness Engineering 的时代核心关注核心问题2022–2024Prompt Engineering“我怎么问”2025Context Engineering“模型应该知道什么信息”2026Harness Engineering“什么系统能让模型变得可靠”2022-2024 年大家在卷 prompt 技巧Chain-of-Thought、Few-shot、ReAct。2025 年发现上下文工程才是关键——给模型什么信息比怎么问更重要RAG、上下文窗口利用、CLAUDE.md/AGENTS.md。到了 2026 年头部公司集体意识到上下文工程之上还需要一层操作系统来管理 agent 的完整生命周期。这就是 Harness Engineering。三、Anthropic 的方案“Agent OS”Anthropic 是 Harness 思想最系统的推动者将 Harness 定位为智能体操作系统发表了最多公开论述。3.1 长时运行 HarnessLong-Running Harness核心创新是将工作跨 session 拆分通过两种 agent 角色接力Initializer Agent负责 setup、生成 feature list、创建 progress fileCoding Agent增量执行具体工作每次启动先读取 progress file做完后更新状态使用结构化的 JSON feature list每个 feature 有明确的 Pass/Fail 状态。Agent 可以随时被中断和重启——它是无状态的状态全在 Harness 管理的持久化层。3.2 上下文工程Context Engineering渐进式披露Progressive Disclosure短入口文件CLAUDE.md→ 结构化文档目录 → 按需读取上下文窗口利用率建议控制在60% 以下留足思考空间信息要可导航而非全量灌入——索引比全文本重要3.3 工具设计原则少而精少数强大工具 大量狭窄工具。Vercel 从 15 个工具砍到 2 个后准确率从 80% 飙到 100%工具是给 agent 设计的不能从人类 API 直接搬运工具描述、错误信息、返回格式——每一个细节都影响 agent 的正确调用率3.4 Planner → Generator → Evaluator 三段式这是 Anthropic 最重要的架构创新之一将生成和评估强制分离。Agent 天然是过于乐观的自我评估者。一个 solo agent 做复古游戏机项目花了 $9 但失败加上 Evaluator 子 agent 的完整 Harness 花了 $200、跑了 6 小时但产出了可工作的软件。三段式的核心逻辑Planner制定计划拆解任务Generator执行计划产出代码/内容Evaluator独立评估产出——跑测试、lint、typecheck、视觉对比甚至启动另一个 agent 专门挑刺3.5 Managed Agents 三层拆分将系统拆为三个独立组件层职责Session事件日志记录一切HarnessClaude 调用循环工具调度Sandbox执行环境代码实际运行的地方这种拆分实现了崩溃恢复Session/Harness 挂了不影响 Sandbox 状态、安全隔离、跨 session 连续性。3.6 Bitter Lesson 适用于 HarnessHarness 的每一行代码都在编码对当前模型局限性的假设。当模型升级后部分脚手架变成死重必须拆除。每一行 Harness 代码的半衰期约为 2 个月。四、OpenAI 的方案Repo as System of RecordOpenAI Codex 团队用 5 个月产出了~100 万行生产代码0 行人类手写约 1500 个 PR其 Harness 思维的要点如下4.1 AGENTS.md 是目录不是百科全书~100 行上限指向结构化docs/目录设计文档、执行计划、产品规格、参考材料巨无霸 AGENTS.md 维护噩梦 侵占稀缺的上下文窗口4.2 仓库即系统记录Repo as System of Record知识如果不在 repo 里Slack 讨论、Google Docs、口口相传对 agent 来说就不存在。所有决策、约束、设计意图必须物化在代码仓库中。4.3 机械化的架构约束自定义 linter、结构测试、命名规范、文件大小限制、依赖方向规则“能被机械检查的就不要让 agent 猜”代码审查中最常见的错误类型被固化为 linter 规则4.4 Agent 可观测的应用Agent 可以启动应用实例、用 Chrome DevTools Protocol 截图和操作 DOM、查询日志LogQL、检查指标PromQL。闭环反馈是 agent 自我校正的前提。4.5 熵管理Entropy ManagementAgent 会复制已有模式好的和坏的。定期后台任务扫描架构漂移、更新质量评分、自动开重构 PR。4.6 人与 Agent 的分工“Humans steer, agents execute.”人转变为系统设计者将用户反馈转为验收标准识别缺失约束喂回 repo 供 agent 消费。人工干预的最大杠杆点在规划阶段而非代码审查阶段。五、Google 的方案方法论体系Addy OsmaniGoogle Cloud 的 Addy Osmani 将 Harness 拆分为五个层次层组件Context上下文AGENTS.md短入口、结构化文档、渐进式披露Action行动Shell、文件系统、Git、浏览器、MCP、数据库、开发 CLIPersistence持久化Git 历史、progress 文件、session 日志、决策记录Feedback反馈测试、lint、类型检查、静态分析、浏览器截图、日志、指标、traceGovernance治理权限、沙箱、hooks、审批门禁、人机协同、清理Google 的核心方法论每次 agent 失败将其编码为 Harness 的一个约束——一条 AGENTS.md 规则、一个 hook、一个工具限制。每个真实的失败变成永久的工程约束。六、ETCLOVG学术界的七层框架CMU / Yale / Tulane / Amazon 联合综述扫描了 170 项目归纳出 7 层标准架构E · Execution Environment ── 执行环境 沙箱 T · Tool Interface ── 工具接口 协议 C · Context Management ── 上下文管理 L · Lifecycle Orchestration ── 生命周期 编排 O · Observability ── 可观测性 V · Verification ── 验证 G · Governance ── 治理前四层ETCL构成结构核心后三层OVG构成控制平面。这个框架已经成为学术界讨论 Agent 架构的通用语言。七、Agent Loop 即操作系统2026 年 Harness Inc. 和社区共同推动的一个关键认知转变——Agent Loop 就是新的操作系统while (!task_done) { context observe(environment) // 工具输出、历史结果 plan reason(context, goal) // LLM 推理 action select_tool(plan) // 工具选择 result execute(action) // 工具执行 environment.update(result) // 状态变更 }OS 概念Agent 等价物KernelMCP Server / Harness 编排器SyscallsTool calls统一接口RAMContext window有限且珍贵虚拟内存Schema discovery按需分页VFS / vtable按资源类型的注册表分发文件描述符Tool handlesLLM 是调度器工具是系统调用上下文窗口是内存。智能存在于循环中不在工具里。关键设计不变量工具数量保持 O(1)——通过数据和分发扩展能力到 O(n)~10 个通用动词分发到 140 资源类型执行前验证毫秒级 vs 信任破裂的代价八、2026 年前沿论文与工程框架8.1 Harness Engineering as Categorical ArchitecturearXiv: 2605.12239Bogdan Banu 提出用范畴论形式化 Harness 设计用(G, Know, Φ)三元组G——句法连线协议、消息格式Know——结构性保证/证书完整性门禁、质量升级路径Φ——部署映射哪个模型跑哪个阶段关键洞察结构性保证是 Harness 级别的属性不是模型行为。可以通过编译器函子将证书跨框架保留LangGraph → CrewAI → Swarms。8.2 Polar: Agentic RL on Any HarnessarXiv: 2605.24220将 Harness 视为黑盒代理 LLM API 调用实现可扩展异步 RL。在 SWE-Bench Verified 上通过简单 GRPO 提升 22.6 分。这意味着Harness 的设计直接影响 RL 训练效果。8.3 Harness-MU: 多用户 Agent HarnessarXiv: 2606.21856首个模型无关、零微调的多用户多主体框架。治理约束通过执行 hooks 强制执行而非依赖 LLM 的概率性推理。权限是确定性的运行时变量不是 prompt 里的建议。8.4 SwarmResearcharXiv: 2607.02807Orchestrator-Subagent HarnessShepherd Agent Search Agent 群每个 search agent 在自己的 git 分支中用独立上下文运行。实验证明Harness 层的设计选择上下文积累方式、单一程序状态直接限制了探索广度。8.5 harness-rsRust 生产级框架层功能harness-models3 种协议族OpenAI、Anthropic、Geminiharness-loopReAct 工具分发 传感器反馈harness-loop-engine成熟度 L1→L2→L3、人工门禁、token 预算harness-orchestrator并发 Job DAG 重试/退避 动态重规划harness-experienceEpisode 录制 语义召回CortexDB设计原则“代码能做的事不要烧 token”——lint/format/git 通过传感器和 hooks 执行不走模型。九、五大经典失败模式与 Harness 修复所有三家头部实验室收敛到相同的失败模式失败模式根因Harness 修复过早宣布胜利搞定了但实际坏了无反馈循环仅靠自我评估强制性 test/lint/typecheck 退出码独立 Evaluator 子 agent上下文焦虑接近窗口上限时仓促行事上下文窗口压力progress file 60-70% 利用率时主动重启跨 session 遗忘重复已做的工作无持久化状态PROGRESS.md AGENTS.md 中先读 PROGRESS.md规则架构漂移无机械约束自定义 linter、依赖规则、结构测试工具过载选择瘫痪工具太多精简到必要工具Vercel 从 15→2 个十、Harness 设计的核心原则10.1 Model-Harness 协同进化前沿实验室现在在 Harness 内部对模型进行 post-training。Harness 变成了训练环境模型与 Harness 产生紧耦合。这意味着Harness 的选择越来越决定模型表现。10.2 Harness is the New Dataset竞争优势正从静态训练数据转向你的 Harness 捕获的执行轨迹execution trajectories。这些轨迹反馈到训练中形成数据飞轮。10.3 保持 Harness 轻量因为 Harness 编码了对模型局限性的假设而模型在快速进化。每个组件都应该是易于拆除的。重 Harness 在强模型上反而成为负担Bitter Lesson。10.4 Research → Plan → Execute → Verify 分离每个阶段在独立的 session 中运行拥有干净的上下文。人工干预的最大杠杆在规划阶段而非代码审查阶段。10.5 Sub-Agent 实现上下文隔离“上下文防火墙”将子任务卸载到独立的 sub-agent各自拥有干净的上下文然后合并结果。这是控制上下文窗口膨胀的最有效手段。10.6 Own the Loop模型-原生配对Claude Code Claude、Codex GPT提供最佳开箱体验但锁定供应商。开源模型无关的 HarnessOpenCode、OpenHands、Goose提供可移植性代价是更多的配置工作。10.7 三平面解耦MechMath Agent Team 提出的解耦三平面设计2026 年 7 月控制平面严格逻辑控制、治理执行平面Agent 动作、工具调用增强平面知识库、形式化验证这种分离在逻辑严谨性与开放式探索所需的敏捷性之间取得平衡。十一、总结Harness 不是什么是什么Harness 不是一个具体的框架LangChain/CrewAI 是实现手段不是 Harness 本身一个库或 SDKprompt engineering 的延续Harness 是一种架构哲学——把模型当作不可靠但强大的计算单元围绕它构建可靠的系统工程一套设计原则——关注点分离、声明式意图、执行前验证、失败即约束一个进化系统——随着模型能力提升Harness 持续瘦身把越来越多的职责还给模型Harness 的本质悖论最强的 Harness 是让自己逐渐变得不必要的 Harness。好的 Harness 工程师每天都在问同一个问题——“这一行代码模型的下一个版本还需要吗”参考资料全网最详细Agent Harness综述OpenAI、Anthropic都在押注的到底是什么Agent Harness2026年AI工程的核心范式Own the loop: A field guide to agent harnessesHarness Engineering as Categorical ArchitecturePolar: Agentic RL on Any Harness at ScaleHarness-MU: A Safe, Governed, and Effective Harness for Multi-User LLM AgentsSwarmResearch: Orchestrating Coding Agents for Open-Ended DiscoveryHarness is the New Dataset模型智能提升的下一个关键方向AI成功率从20%飙到100%只需一个Harness文件GitHub - awesome-agent-harnessGitHub - harness-rs: A Rust framework for building production agentsTuning Deep Agents to Work Well with Different ModelsThe Agent Loop Is the New OSMechMath Agent Team: LLM Driven Agents for Mathematical ResearchHarness Engineering 被讲烂之后Agent 工程真正难的是什么