Harness 即操作系统
Harness Engineering 核心原则 · 第四章
这个时代的操作系统是什么？是 Agent Harness。
前三章建立了 Harness 的基本图景：范式转移、感官系统、成本与熵增。本章我们把视角拉到最高——Harness 到底是什么？怎么构建？底层逻辑是什么？
答案分三层：Harness 是操作系统，但要为废弃而建，而这一切的底层是控制论。
一、Harness = 操作系统
Google DeepMind 工程师 Filip Hráček 提出了一个精妙的比喻。
静态跑分的错觉
各家顶尖模型在静态跑分上的差距已经缩小到很小了。但这可能是一种错觉——任务越长越复杂，模型之间真正的差距才会暴露出来。
你让模型进企业跑一个长线自动化流程：读几百页文档、查代码总结依赖关系、调 API、建工单、汇总报告。跑着跑着它就开始跑偏了，或者完全忘了第一步定好的安全规则。
排行榜上那点分差，根本测不出这种灾难。
四大核心功能
Agent Harness 是包裹在 AI 模型外围的基础设施，用来管理长生命周期的任务。它有四大核心功能：
| 功能 | 作用 |
|---|---|
| Prompt Presets | 模型开始干活前，自动塞好一套规矩 |
| Tool Call Handling | 统一处理 Agent 调用外部工具的逻辑 |
| Lifecycle Hooks | 每执行完一步自动触发检查，不过就拦截打回 |
| 高阶能力 | 自动规划、文件系统读写、子 Agent 管理 |
其中生命周期钩子尤其关键——它是提前在流程里埋好的检查站。模型每执行完一步，钩子就自动触发一次检查：输出格式对不对？Token 有没有超限？有没有触发安全红线？如果检查不过，钩子直接拦截打回重来。
完整的比喻
💡 图解： Harness 是包裹在大模型外围的 OS——大模型是 CPU，上下文窗口是 RAM，Harness 才是让一切协同运转的操作系统。
| 组件 | 比喻 | 作用 |
|---|---|---|
| 大模型 | CPU | 提供原始的计算处理能力 |
| 上下文窗口 | RAM（内存条） | 容量有限，关掉就没了 |
| Agent Harness | 操作系统（OS） | 料理上下文、处理开机引导、预埋钩子、提供驱动 |
| Agent 应用 | APP | 跑在操作系统之上的应用程序 |
Harness 就是操作系统。它负责料理上下文、处理开机引导（塞基础提示词）、预埋生命周期钩子、提供标准化的驱动程序（工具调用处理）。
2026 年的核心定位
| 不是 | 而是 |
|---|---|
| 业务代码 | 底座 |
| 应用 | 操作系统 |
| 锦上添花 | 基础设施 |
Harness 弥合了跑分和真实体验之间的鸿沟，释放了模型的潜力，构建了闭环反馈——你改进系统的能力上限，完全取决于你验证输出有多容易。
二、为废弃而构建
Harness 是操作系统，那该怎么构建它？
你可能会想：输出格式不对就加一层校验拦截重试，多步规划走偏了就搭一套复杂的状态机强制纠偏。这套思路在传统软件工程里没毛病，但放到 Agent Harness 上——行不通。
苦涩的教训
计算机科学家 Rich Sutton 写过一篇著名的短文叫 "The Bitter Lesson"。核心论点：过去 30 年，凡是依赖庞大算力的通用方法，每一次都击败了人类手工编码进去的先验知识。无一例外。
这堂课正在 Agent 开发领域真实重演。
顶级团队在疯狂删代码
| 团队 | 动作 |
|---|---|
| Mistral | 6 个月内把 Harness 重构了 5 次 |
| LangChain | 一年内把 Open Deep Research 架构推翻重写了 3 次 |
| Vercel | 直接砍掉了 Agent 80% 的代码，结果执行步骤更少、Token 消耗更低、响应速度更快 |
顶级团队不是在加代码，是在疯狂地删代码。之前精心设计的"聪明逻辑"，在新模型面前全成了累赘。
Build to Delete
所以 Harness 的构建原则是：为废弃而构建。
每当新模型一发布，它必然带来全新的 Agent 构建方式。2024 年还需要复杂管道才能实现的功能，2026 年可能一条 Prompt 就搞定了。所以你的 Harness 架构必须像乐高积木一样松散——允许你随时流畅地撕掉昨天才写好的那段"聪明控制逻辑"。
如果你对控制流做了过度设计，下一次模型更新会直接击穿你的系统。
Harness 的真正价值：捕获崩溃数据
既然写的 Harness 代码注定要被删，它的价值在哪儿？
答案是模型漂移（Model Drift）。模型在短对话里表现得很好，但在超长任务中会慢慢"缺氧"——忘记开局设定的规则，开始胡言乱语。
Harness 像飞机黑匣子一样，精确记录模型在第 100 步之后到底是在哪个节点上丧失了遵循指令的能力。这些断点数据可以直接投喂回训练集，反哺到下一轮训练。
The Harness is the dataset.
谁的 Harness 在真实场景里拦截到了更多崩溃轨迹，谁就能提炼出更好的后训练数据集，就有可能训练出更好的模型。
所以结论很简单：不要抗拒重构和废弃代码。 学会张开监控网，记录大模型每一次失控的瞬间——这是用来训练更强模型的宝贵数据集。
三、控制论：闭环与校准
为什么很多团队一上 Coding Agent，反而更乱了？代码产出多了，但代码库更脏了。PR 合并快了，但架构漂移也快了。
硅谷工程师 George 的判断是：这不是简单的 AI 写码问题，这是控制论进入代码生产层。
这个模式见过三次
第一次是 18 世纪的蒸汽机调速器。James Watt 发明了离心调速器——一个机械装置感知转速，自动调节阀门。工人的工作从转阀门变成设计调速器。
第二次是 Google 的 Borg 服务器管理系统。你告诉它系统应该长什么样，它就自动维持那个状态。工程师的工作从手动重启服务变成写清楚系统应该长什么样。
第三次就是现在，OpenAI 的 Coding Agent。工程师不再写代码，他们设计环境、构建反馈回路，让 Agent 写代码。五个月，100 万行，零行手写。
Norbert Wiener 在 1948 年给这个模式命名：控制论（Cybernetics）。核心就一个词——闭环。输出影响输入，系统自己纠偏。
💡 图解： 每一次技术跃迁——蒸汽机调速器、Borg、Coding Agent——本质都是在某个层级上第一次成功闭环。
每一次技术跃迁，都是在某个层级上第一次成功闭环。
为什么代码库是最后一个被攻克的？
代码库一直有反馈回路，但只在低层级：编译器检查语法、测试检查行为、Linter 检查风格。这些只能处理可以机械检查的东西。
更高层的问题从来没有自动化过——这个改动符合系统架构吗？这个抽象随着代码库增长会出问题吗？这些问题没有传感器，也没有执行器，只有人能在这个层级上操作。
LLM 同时改变了两者：它能感知架构质量，也能执行架构修改。历史上第一次，反馈回路可以在重要决策发生的地方闭合。
闭环是必要条件，不是充分条件
Watt 的调速器需要调教。Borg 的控制器需要正确的 spec。接上 Agent 不等于完事儿了——真正的工作是校准这个回路，让它知道什么叫"好"。
工程师脑子里的判断力是隐性知识，通过经验积累，很难言传。Agent 没有 code review、结对编程、口耳相传的渠道。你必须把隐性知识变成显性知识写下来，才能让 Agent 使用。
OpenAI 每周花 20% 的时间做代码清理，后来他们把标准编码进 Harness 本身才解决了这个问题。Anthropic 的 Nicholas Carlini 做过 16 个并行 Agent 构建 C 编译器的实验，他的原话是："我大部分精力都花在设计 Claude 周围的环境上。"
为什么上了 Agent 反而更乱了？
文档、自动化测试、成文的架构决策——这些一直都是对的。过去 30 年几乎所有工程师都在推荐这些事，很多人跳过是因为代价来得很慢。
Agent 工程把这种代价放大到了极端：
| 跳过的实践 | 传统代价 | Agent 时代的代价 |
|---|---|---|
| 文档 | 一个 PR 里忽略约定 | 机器速度、全天候、每一个 PR 都忽略约定 |
| 测试 | 偶尔漏检 bug | 反馈回路根本闭合不起来 |
| 架构约束 | 架构缓慢漂移 | 漂移速度比你修补的速度还快 |
更糟的陷阱：如果 Agent 根本不知道"整洁"长什么样，你甚至没法用 Agent 来清理它制造出来的混乱。没有校准，制造问题的机器也同样无法解决问题。
实践本身没有变。变得难以承受的是忽视这些实践的代价。
人在 Agent 时代的位置
验证一个答案对不对，比生成一个正确答案要容易得多。这个规律在 LLM 上也被实验证实了。所以你不需要在实现速度上跟机器竞争。
你需要专注在评估这一侧：定义什么叫正确、识别输出哪里偏了、判断方向是否对路。
工程师不会消失，但工程师的工作会像前两次一样——再上移一层。设计 Watt 调速器的工人没有回去转阀门，不是因为他们不能，而是因为这样做不再有意义。
本章要点
- Harness = 操作系统——料理上下文、处理引导、预埋钩子、提供驱动；2026 年的核心定位是基础设施
- Build to Delete——Harness 代码注定被删，真正的价值是捕获崩溃数据（The Harness is the dataset）
- 控制论闭环——输出影响输入、系统自己纠偏；每一次技术跃迁都是在某个层级上第一次成功闭环
- 校准比闭环更重要——闭环是必要条件，校准是充分条件；必须把隐性知识显性化写进 Harness
- 人再上移一层——不需要跟机器比实现速度，专注定义正确、识别偏差、判断方向