Harness 是什么

LangChain 的 Vivek Trivedy 在《The Anatomy of an Agent Harness》（2026-03-10）里给出公式：

Agent = Model + Harness

If you're not the model, you're the harness.（不是模型的部分，就是 harness。）

Harness 是模型以外的所有代码、配置和执行逻辑。 光有模型不是 Agent，harness 给了它状态、工具执行、反馈循环和可强制执行的约束之后，它才成为 Agent。

文章列出的组成部分：

演示：你每天都在用的最简单的 harness

文章举的例子：模型本身只能「输入文字，输出文字」。要做成「聊天」产品，就得在外面套一个循环（示意代码）：

历史 = []
while True:
    用户说 = input()
    历史.append(用户说)
    回复 = 模型(历史)      # 模型每次都看完整历史
    历史.append(回复)
    print(回复)

模型本身不记得上一句话，「记得」是这个 while 循环和 历史 列表提供的。这个循环就是 harness。ChatGPT、Claude 的聊天界面，本质上都是更复杂的版本。

LangChain 文章的核心方法是：先问「模型自己做不到什么」，再用 harness 补上。模型开箱即用时做不到：

• 跨交互保存状态；
• 执行代码；
• 获取实时知识；
• 搭环境、装依赖。

文章按「想要的行为 → harness 设计」逐个推导：

1. 文件系统：文章说它可能是最基础的 harness 原语。Agent 有了工作区，放不进上下文的东西可以写到文件里，工作也能跨会话保留。多个 Agent 和人可以通过共享文件协作。再加上 git，就能追踪进度、回滚错误。
2. bash + 代码执行：与其给每个动作预先做一个工具，不如给一个通用工具 bash，让模型自己写代码解决问题。
3. 沙箱：在本地跑 Agent 生成的代码有风险，所以放进隔离环境，可以白名单命令、隔离网络，用完就销毁。沙箱里要预装运行时、git、测试工具、浏览器，让 Agent 能自己验证：写代码、跑测试、看日志、修错。
4. 记忆和搜索：模型的知识只有权重和当前上下文。AGENTS.md 这类记忆文件在启动时注入上下文（记忆的概念见第 26 讲（记忆））；网络搜索补上训练截止之后的新知识。
5. 对抗上下文腐化（第 23 讲（上下文窗口与上下文腐化））：压缩、把大段工具输出卸载到文件只留头尾、用 Skills 渐进披露，不在一开始把所有工具都塞进上下文。
6. 长时间自主执行：文件系统和 git 记录进度；Ralph 循环用钩子拦截模型的「我做完了」，在干净的新窗口里重新注入原始目标，让它接着做；计划文件和自我验证防止跑偏。第 35 讲（工具循环、状态与长任务）专门讲长任务。

文章的一句话总结：今天的 harness 很大程度上是交付良好上下文工程的载体。

LangChain 文章举了两个例子：

• 在 Terminal Bench 2.0 排行榜上，Opus 4.6 跑在 Claude Code 里，得分远低于跑在其他 harness 里。
• LangChain 自己的编码 Agent 只改 harness，排名就从第 30 名左右升到前 5 名（具体怎么改的，第 37 讲（用 trace 迭代 harness）细讲）。

还有一个反直觉的现象：Claude Code、Codex 这类产品的模型是带着 harness 一起后训练的，模型会对自己那套 harness「过拟合」。文章引用 Codex 提示指南的例子：换一种改文件的工具逻辑（apply_patch），模型表现就变差。所以模型训练时用的 harness，不一定是你的任务最好的 harness。

由此可见：比较 Agent 时不能只比模型，模型 × harness 要一起评（评测方法见第 38 讲（评测））。

OpenAI 的 Ryan Lopopolo 在《Harness engineering》（2026-02-11）里讲了一个实验。团队用 5 个月做出一个内部产品，人一行代码都没写，全部代码由 Codex 生成。

规模：

• 约 100 万行代码；
• 约 1,500 个 PR 合入；
• 起初 3 名工程师，平均每人每天 3.5 个 PR；团队扩到 7 人后，人均吞吐反而上升；
• 他们估计只用了手写代码约 1/10 的时间；
• 单次 Codex 运行常常连续做一个任务超过 6 小时，往往是在人睡觉的时候。

核心观点：工程师的主要工作不再是写代码，而是设计环境、说清意图、搭建反馈循环，让 Agent 可靠地工作。文章的口号是：「Humans steer. Agents execute.」（人掌舵，Agent 执行。）

一开始进展慢，并不是 Codex 能力不够，而是环境描述不足。遇到失败时，修法几乎从来不是「再努力一点」，而是问：

缺了什么能力？怎么让它对 Agent 既看得见又强制得了？

演示：拆解 OpenAI 的 harness

为什么 AGENTS.md 不写成一本大手册？文章列了四个失败原因：

1. 上下文是稀缺资源，大手册会挤掉任务本身；
2. 什么都标「重要」，等于什么都不重要；
3. 很快过时，变成过期规则的坟场；
4. 一整块文本没法机械检查新鲜度和交叉链接。

文章还有一句话：从 Agent 的角度看，运行时在上下文里拿不到的东西就等于不存在。 存在 Google Docs、聊天记录或人脑子里的知识，Agent 都看不见。

由此得出一条通用原则：希望 Agent 遵守的规则，要写进 Agent 运行时读得到的地方，最好再用自动检查强制执行；只在聊天里提过、没有写进运行环境的规则，Agent 看不到。

「垃圾回收」的由来

OpenAI 团队起初每周五（一周 20% 的时间）手工清理「AI 垃圾代码」，这种做法无法扩展。Codex 会复制仓库里已有的模式，包括不好的模式，代码会逐渐偏离。所以他们把人的品味写成规则，交给后台 Agent 持续清理。用文章的比喻：技术债像高利贷，小额持续还款好过攒成一大笔。

两篇文章的看法一致：

• 模型变强后，今天 harness 里的一部分能力会被模型吸收，比如规划、自我验证、长程连贯（LangChain）。
• 但好的环境、合适的工具、持久状态和验证循环，对任何模型都有用。就像提示工程到今天仍然有价值，harness 工程也会继续有用。

第 35 讲（工具循环、状态与长任务）会看到 Anthropic 的具体例子：模型升级后，原来必须的组件被拆掉了。

• Vivek Trivedy（LangChain）, The Anatomy of an Agent Harness, 2026-03-10：langchain.com
• Ryan Lopopolo（OpenAI）, Harness engineering: leveraging Codex in an agent-first world, 2026-02-11：openai.com