转载提示：本文转载自 Philipp Schmid 原文。原作者：Philipp Schmid。原文发布日期：2026-01-05。本文已按站点规范移除原文中的推广/导流内容，仅保留核心观点、论证链路与示例。 我们正站在 AI 的转折点上。过去几年里，大家关注的几乎都是模型本身：谁更聪明、谁的榜单分更高、Model A 是否超过 Model B。 但顶级模型在静态榜单上的差距正在缩小，而这可能是一种错觉。任务越长、越复杂，模型之间的能力差异反而越明显。关键在于“耐久性”：在数百次工具调用、长时间执行中，模型是否还能持续遵循指令。榜单上 1% 的分差，无法揭示模型在 50 步之后是否会偏航。 所以，我们需要新的能力展示方式：不仅看模型聪明不聪明，还要证明它能稳定完成多天级别的复杂工作流。Agent Harness 就是一个答案。什么是 Agent Harness？ Agent Harness 是包裹在 AI 模型外层、用于管理长流程任务的基础设施。它不是 Agent 本身，而是约束 Agent 如何运行的软件系统，目标是让 Agent 更可靠、更高效、更可控。 它比一般的 Agent Framework 处在更高层。框架通常提供工具调用和 agentic loop 的基础积木；Harness 则提供提示词预设、工具调用策略、生命周期钩子，以及规划、文件系统访问、子代理管理等“开箱即用”的能力。它不只是框架，更像“自带电池”的系统层。 Agent Harness 架构示意图 可以把它类比成一台计算机：模型是 CPU：提供原始算力。上下文窗口是 RAM：容量有限且易失。Agent Harness 是操作系统：负责上下文编排、启动序列（prompts/hooks）与标准驱动（工具处理）。Agent 是应用程序：承载具体业务逻辑。 Agent Harness 会实现“Context Engineering”策略，例如通过压缩减少上下文、把状态卸载到外部存储、把任务隔离给子代理。对开发者来说，这意味着你可以少造“操作系统”，把精力集中在应用层能力上。 目前，通用型 Harness 仍然不多。Claude Code 是这一新类别中的代表之一，并在尝试通过 Claude Agent SDK 或 LangChain DeepAgents 形成标准。不过也可以说，各种 coding CLI 在某种意义上本来就是垂直领域的专用 Agent Harness。基准测试困境与对 Agent Harness 的需求 过去的评测大多围绕单轮输出。近一年出现了一个趋势：开始评估系统而非裸模型，比如 AIMO、SWE-Bench 这类带工具与环境交互的评测。 但这些评测很难衡量 reliability。它们很少测试模型在第 50 次或第 100 次工具调用之后的行为稳定性，而这恰恰是现实系统的核心难点。模型可能能在一两次尝试里解出难题，却在长任务中逐渐偏离初始指令，或对中间步骤推理失真。标准基准很难捕捉这种长流程耐久性。 随着基准变复杂，必须弥合“榜单结论”和“用户真实体验”之间的落差。Agent Harness 至少在三个层面变得关键：验证真实进步：基准常常与用户需求错位。模型版本更新频繁，Harness 能让用户在自己的约束下快速比较新模型表现。提升用户体验上限：没有 Harness，用户体验往往达不到模型理论上限。发布 Harness，能让开发者基于成熟工具与最佳实践构建 Agent。用真实反馈爬坡优化：共享且稳定的运行环境（Harness）能形成反馈闭环，让研究者依据真实使用情况持续“爬坡”改进评测。 “系统能改进到什么程度，取决于你多容易验证它的输出。”[Ref] Harness 把模糊的多步工作流变成可记录、可打分的结构化数据，让高效 hill-climbing 成为可能。构建 Agent 的“苦涩教训” Rich Sutton 在 the Bitter Lesson 中提出：通用、可扩展的计算方法，最终会击败手工注入的人类规则。这个规律正在 Agent 领域重演：Manus 在六个月里把 harness 重构了五次，以去掉僵硬假设。LangChain 在一年内把 “Open Deep Research” 架构重做了三次。Vercel 将 agents 工具体系砍掉 80%，步骤更少、token 更省、响应更快。 要在 “Bitter Lesson” 下生存，Harness 必须轻量。每一代新模型都会改变构建 Agent 的最优方式：2024 年需要复杂流水线才能做的事，到 2026 年也许一段上下文提示就够了。 开发者需要能随时删掉“昨天写下的聪明逻辑”。如果你把控制流工程化得过重，下一次模型升级就可能让整个系统失效。接下来会发生什么？ 训练环境与…