本文深入探讨了编程 Agent 的核心概念强调 Agent 模型 围绕它的 harness脚手架。文章指出许多人在使用大模型时过于关注模型本身而忽略了 harness 的重要性。Harness 包括系统提示词、工具层、基础设施、编排逻辑、hook 和中间件等它们共同决定了 Agent 的行为和性能。通过良好的 harness 设计即使是普通模型也能稳定地打败优秀模型配合糟糕 harness 的情况。文章还介绍了 harness 工程的核心原则如从错误中学习、逐步完善约束、从行为倒推设计等并提供了实际案例和最佳实践。最后文章展望了 harness 的未来发展方向包括多 Agent 并行编排、自我修复 harness 和动态工具环境等。编程 Agent 模型 围绕它的一切。Harness 工程把这层脚手架当作活的工程制品来对待——每次 Agent 犯错就把修复永久化让同样的错误不再发生。过去两年行业一直在争论模型哪个最聪明、哪个写 React 最干净、哪个幻觉最少。这些重要但忽略了系统的另一半。模型只是运行中 Agent 的一个输入。剩下的是 harness提示词、工具、上下文策略、hook、沙箱、sub-agent、反馈循环、恢复路径——包裹在模型外面让它真正能完成任务的一切。一个普通模型配一个优秀的 harness稳定地打败一个优秀模型配一个糟糕的 harness。越来越多有趣的工程工作不在于选模型而在于设计模型周围的脚手架。Harness 到底包含什么核心定义Agent Model Harness。如果你不是模型你就是 harness。Harness 涵盖所有不是模型本身的代码、配置和执行逻辑。裸模型不是 Agent。只有当 harness 给它提供了状态、工具执行、反馈循环和可执行的约束时它才成为 Agent。具体来说包括系统提示词CLAUDE.md、AGENTS.md、skill 文件、sub-agent 指令工具层skill、MCP server 及其技术描述基础设施文件系统、沙箱、无头浏览器编排逻辑sub-agent 生成、任务交接、模型路由Hook 和中间件确定性执行层lint 检查、上下文压缩等可观测性日志、trace、成本和延迟计量Claude Code、Cursor、Codex、Aider、Cline——都是 harness。底层模型可能完全相同但你体验到的行为由 harness 主导。别怪模型这是配置问题工程师们习惯在 Agent 犯蠢时怪模型然后说等下个版本吧。Harness 工程的思维方式拒绝这个默认反应。失败通常是可读的Agent 忽略了约定 → 写进 AGENTS.md跑了破坏性命令 → 写 hook 拦截40 步任务迷路了 → 拆成规划者和执行者总是交付坏代码 → 在循环里接入类型检查反压信号。今天的模型理论上能做到的和你实际看到它做到的之间的差距大部分是 harness 的差距。同一个模型放进更好的环境——更好的代码库工具、更紧的提示词、更锐利的反压——能释放出原始设置遗留的能力。棘轮每个错误变成一条规则Harness 工程最核心的习惯把 Agent 的错误当作永久信号而不是偶发事故。Agent 提了一个注释掉测试的 PR 被意外合并这是输入。下一版 AGENTS.md 必须写明禁止注释掉测试删除或修复它。下一个 pre-commit hook 要自动标记 diff 中的.skip(。审查 sub-agent 必须更新为拦截注释掉的测试。约束只在观察到真实失败时添加只在更强的模型使其多余时移除。好的系统提示词中每一行都应该追溯到一个具体的历史失败。这就是为什么 harness 工程是一种纪律而非通用框架——适合特定代码库的 harness 完全由它独特的失败史塑造。从行为倒推设计设计 harness 最有效的方式从期望的行为开始构建交付该行为的组件。每个组件必须有明确的职责说不出它存在是为了交付什么行为就应该删掉。文件系统和 Git持久状态模型只能操作上下文窗口内的东西。文件系统提供工作空间来读数据、卸载中间工作、让多个 Agent 协调。Git 提供免费的版本控制——追踪进度、分支实验、回滚错误。Bash 和代码执行通用工具大多数 Agent 在 ReAct 循环上运行推理 → 工具调用 → 观察 → 重复。与其为每个可能的操作预构建工具不如给 Agent bash 权限让它按需构建。Agent 通常擅长 shell 命令bash 是自主问题解决的默认策略。沙箱安全执行Bash 只有在安全运行时才有用。沙箱提供隔离环境来运行代码、检查文件、验证工作不危及宿主机。好的沙箱预装语言运行时、测试 CLI、无头浏览器——让 Agent 能观察自己的工作并闭合自我验证循环。记忆和搜索持续学习模型没有训练权重和当前上下文之外的知识。Harness 用记忆文件如 AGENTS.md向每个会话注入知识。实时信息通过搜索和 MCP 工具直接嵌入 harness。对抗上下文腐烂上下文窗口填满时模型推理能力退化。三种管理技术压缩——智能摘要并卸载旧上下文工具调用卸载——大量输出存文件系统上下文只保留关键头尾渐进式披露——指令和工具只在任务明确需要时才加载长周期执行自主长时间运行的工作容易过早停止和分解不当。结构性应对Loop拦截模型的退出尝试在新上下文窗口中强制继续Planning强制模型分解为逐步计划每步后自我验证Split生成和评估分给不同 Agent防止模型给自己打高分Hook强制执行层Hook 在特定生命周期运行工具调用前、文件编辑后、commit 前。拦截破坏性命令、强制格式化以省 token、运行测试套件。理想状态成功时沉默失败时详细——错误直接注入循环供自我纠正。规则手册和工具选择仓库根目录的 Markdown 文件仍然是最高杠杆的配置点。但要当飞行员检查清单来对待不是风格指南——保持简短每条规则都通过过去的失败赢得存在权。工具同理10 个高度聚焦的工具永远胜过 50 个重叠的。生产环境中的样子上面所有概念在这张架构图中都有对应的命名组件。上下文注入是知识层循环状态在记忆存储和 worktree 隔离器中破坏性操作 hook 在权限门后面sub-agent 上下文防火墙是整个多 Agent 层工具调度注册表是 MCP server 和 bash 的接入点。Harness 不会缩小它会迁移模型变强时harness 的需求不会消失——它转移。容易假设更好的模型让脚手架过时。最近的模型升级确实大幅减少了上下文焦虑的缓解措施。但地板抬高的同时天花板也在升高。以前够不到的任务现在可以尝试了带来全新的失败模式。Harness 中的每个组件都编码了一个假设模型单独做不到什么。模型提升时过时的脚手架应该移除新的脚手架要为下一个边界而建。训练循环的反馈Harness 设计和模型训练之间存在活跃的反馈循环。今天的模型通常用特定 harness 做后训练产生一定程度的过拟合——模型对 harness 设计者优先考虑的特定操作文件系统、bash、sub-agent 调度变得特别擅长。这证明 harness 是活的系统而非静态配置文件“最好的” harness 是专门为你的任务和工作流优化的那个。方向今天的顶级编程 Agent 彼此之间比它们的底层模型更像。模型不同但 harness 模式正在收敛。行业正在快速识别将生成文本转化为可交付软件所需的承重脚手架。最令人兴奋的开放问题在于超越单 Agent并行编排多个 Agent、让 Agent 分析自己的 trace 来修复 harness 级别的失败、构建能即时动态组装工具的环境。这是 harness 从静态配置文件变成编译器的阶段。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】