Harness Engineering 是一种围绕 AI 模型构建运行环境的工程方法，旨在解决 Agent 在长链路任务中常出现的失忆、重复劳动、误用工具等问题。通过设计模型周围的运行环境，包括系统提示词、工具描述、文件系统、沙箱、状态管理、Lint、测试和恢复逻辑等，让 Agent 能够规划、执行、观察、验证、恢复，并将每次失败沉淀为下一次可复用的系统能力。关键步骤包括将仓库知识转化为可读取、可验证的事实库，将规则从“建议”升级为“机械约束”，建立“写完—运行—观察—修复”的自验证闭环，以及设计状态机进行失败恢复。最终目标是持续优化 Harness，让模型在复杂任务中稳定输出高质量结果。

Harness Engineering：为什么模型很强，Agent 还是经常做不稳？

过去，大家遇到 AI 输出不理想，第一反应是把提示词再写长一点；Agent 出现后，工程师又开始研究怎样把检索结果、记忆和工具说明塞进上下文。可到了真正的长链路任务里，提示词和上下文都没有明显问题，Agent 依然会忘目标、重复劳动、提前宣布完成、误用工具，甚至把错误模式一遍遍复制进代码库。

Harness Engineering 解决的正是这一层问题：它不再只优化模型“看到什么”，而是设计模型周围的运行环境，让 Agent 能够规划、执行、观察、验证、恢复，并把每次失败沉淀为下一次可复用的系统能力。

图 1 Prompt、Context 与 Harness 的控制范围逐层扩大

一、这个概念从哪里来？

2026 年 2 月，Mitchell Hashimoto 在《My AI Adoption Journey》中把自己长期使用编码 Agent 的方法称为“harness engineering”。他的核心做法很直接：每当 Agent 犯一次错误，就花时间把解决方案工程化，让同类错误以后不再依赖人类临时提醒。可能是补一条仓库规则，也可能是新增 Lint、自动化测试、Git Hook 或验证工具。

几天后，OpenAI 发布 Codex 团队的官方复盘，把 Harness Engineering 推向更广泛的工程讨论。OpenAI 报告称，一个小团队从空仓库开始，让 Codex 生成应用代码、测试、CI、文档、可观测性和内部工具；五个月后仓库规模约 100 万行，期间约有 1,500 个 PR 被创建并合并。这里真正重要的不是“AI 写了多少行代码”，而是人类工程师把工作重心转向了环境设计、意图描述和反馈回路。

图 2 OpenAI Codex 团队公开的 Harness 实验数据

二、Harness 到底是什么？

LangChain 给出了一个很容易记住的表达：Agent = Model + Harness。模型负责推理和生成；模型之外的系统提示词、工具描述、文件系统、沙箱、浏览器、状态管理、子 Agent 编排、上下文压缩、Lint、测试和恢复逻辑，都属于 Harness。

图 3 模型只是 Agent 的“大脑”，Harness 才让它真正拥有工作能力

因此，Harness 不是某一个 SDK，也不是把 ReAct 循环写出来就结束。它更像是一套运行时：决定 Agent 在哪里执行、能访问什么、怎样找到知识、如何保存进度、什么时候重试、如何证明任务完成，以及什么情况下必须停下来找人。

图 4 生产级 Harness 的八层工程能力

三、Harness Engineering 的核心不是“约束 AI”，而是“让错误形成复利”

最容易犯的错误，是每次都只修当前结果。例如 Agent 漏跑测试，人类提醒一句“下次记得测试”；Agent 又违反架构边界，再补一句“请遵循分层设计”。这些提醒只能影响当前会话，一旦上下文结束，团队又回到原点。

Harness 的思路是把失败变成系统改造信号：漏跑测试，就把测试纳入完成门槛；误用 API，就提供可搜索的版本化文档；越权访问，就通过权限层直接拒绝；重复产生同类坏代码，就把规则写成结构测试或 Lint。这样每一次失败都会增强环境。

图 5 从“修一次结果”转向“永久修复环境”

四、第一块地基：把仓库知识变成可读取、可验证的事实库

OpenAI 最早也尝试过把所有规范都写进一个巨大的 AGENTS.md，但很快发现四个问题：它挤占任务上下文；规则太多后没有重点；内容容易过时；单个大文件很难做完整性和新鲜度检查。

他们后来把 AGENTS.md 控制在大约 100 行，让它承担“目录”的作用；真正的架构、产品规格、执行计划、质量标准、安全要求和生成式事实都放进结构化 docs/ 目录，并把仓库内版本化文档视为 System of Record。Agent 先读短入口，再根据任务按需深入。

图 6 AGENTS.md 做地图，docs/ 做事实库

图 7 渐进式披露：只把当前任务真正需要的信息送进上下文

AGENTS.md 应该写什么？

一个实用的 AGENTS.md 不需要复制 README、代码风格手册和所有框架文档。它更适合保留仓库入口、强制命令、核心边界、资料索引和高风险禁区。能够被格式化工具或 Lint 自动检查的内容，不要再用长篇自然语言重复。

# AGENTS.md## 开始工作前- 先阅读 docs/ARCHITECTURE.md 和相关 product-spec- 使用 `make test-fast` 验证本地改动- 涉及数据库变更时，先阅读 docs/DB-MIGRATION.md## 强制边界- controller 不得直接访问 repository- 所有外部输入必须经过 schema 校验- 禁止在日志中输出 token、手机号和身份证号## 完成标准- 相关测试通过- 新行为补充验收用例- 复杂任务更新 docs/exec-plans/active/ 下的进度记录

五、第二块地基：规则必须从“建议”升级为“机械约束”

文档可以解释为什么这样设计，却不能保证 Agent 每次都遵守。OpenAI 的实践是把关键边界写进自定义 Lint 和结构测试，例如限制依赖方向、统一结构化日志、约束 Schema 命名、限制文件大小，并对平台可靠性要求做静态检查。

更值得学习的是错误信息设计：一个面向 Agent 的 Lint 不只返回“校验失败”，还会告诉它违反了哪条不变量、应该阅读哪份文档、建议怎样修复。错误输出本身也成为下一轮上下文的一部分。

图 8 文档解释意图，机械约束守住边界

六、第三块地基：建立“写完—运行—观察—修复”的自验证闭环

Agent 最危险的状态不是不会写，而是无法看到真实结果。没有测试、日志、浏览器和截图，它只能根据代码外观猜测任务是否完成。生产级 Harness 应当让 Agent 使用与工程师相同的工具：执行测试、启动应用、操作页面、读取日志、查看截图、复现 Bug，并在结果不符合验收标准时继续修复。

图 9 自验证闭环让 Agent 从“生成答案”升级为“交付结果”

OpenAI 的 Codex 实验中，一个成熟运行可以复现 Bug、录制失败视频、实现修复、驱动应用验证、录制修复后视频、创建 PR、回应 Review、修复构建失败，并只在需要主观判断时升级给人类。官方同时强调，这种自治能力高度依赖仓库已有的结构和工具，不能简单复制到一个没有 Harness 投资的新项目。

七、长任务最大的敌人：上下文耗尽和“接班失忆”

复杂项目通常无法在一个上下文窗口里完成。Anthropic 把这个问题比作工程师轮班：每位新工程师上岗时都不记得上一班发生了什么。如果状态只存在聊天记录里，下一轮 Agent 就会重复探索、误判进度，甚至把未完成的项目提前宣布为完成。

Anthropic 提出的基础方案由两类会话组成：第一次由 Initializer Agent 创建运行脚本、功能清单、进度文件和 Git 初始状态；后续 Coding Agent 每轮只选一个尚未通过的功能，完成实现与测试后提交代码，并把进度写成结构化交接。

图 10 用文件、Git 和功能清单跨上下文接力

功能清单不要只写“完成 / 未完成”

好的功能清单应当描述用户能观察到的行为、验证步骤和当前状态。Anthropic 的示例会先把所有功能标为 failing，只有在 Agent 真正执行测试后才能改为 passing，从而避免“代码写了，所以功能完成了”的假验收。

{ "category": "functional", "description": "用户可以新建一段对话", "steps": [ "打开主页面", "点击新建对话", "确认出现空白会话", "确认侧边栏新增记录" ], "passes": false, "evidence": [ ]}

Context Compaction 和 Context Reset 不要混为一谈

Compaction 是在同一个会话里压缩早期历史，让模型继续工作；Reset 则彻底启动一个干净的新上下文，并通过交接文件、Git、任务状态和证据恢复进度。Anthropic 的测试认为，某些模型在长任务后期会出现急于收尾的倾向，仅做压缩不一定能消除这种状态，而 Reset 能让下一轮干净起跑，但会增加编排、Token 和延迟成本。

图 11 压缩保留连续性，重置提供干净上下文

八、复杂任务可以拆成 Planner、Generator、Evaluator

当任务既需要长时间实现，又有主观质量或复杂验收要求时，一个 Agent 既规划、又实现、又给自己打分，容易出现自我确认。Anthropic 在长时间应用开发实验中使用了 Planner、Generator、Evaluator 三种职责：Planner 生成任务与验收条件，Generator 负责执行，Evaluator 按明确标准检查结果并反馈差距。

图 12 规划、生成和验收分离，减少一个 Agent 自说自话

九、失败恢复要成为状态机，而不是无限重试

真实工具会超时，浏览器会崩溃，API 会限流，代码执行可能半途失败。Harness 需要区分可重试错误、需要回滚的错误、权限不足和必须由人判断的情况，并为任务保存检查点。重试要有限次、有退避、有幂等保护；超过阈值后应保留现场并升级，而不是让 Agent 在同一个坑里消耗 Token。

图 13 生产级失败恢复状态机

一个最小的编排循环

def run_task(task, harness):state = harness.load_checkpoint(task.id)while not state.finished:context = harness.build_context(task, state)action = harness.model.decide(context)result = harness.tools.execute(action, sandbox=True)verdict = harness.verify(task, result)harness.trace.record(action, result, verdict)if verdict.passed:state = harness.advance(state, verdict)harness.save_checkpoint(task.id, state)elif verdict.retryable and state.retry_count < 3:state = harness.retry_from_checkpoint(state, verdict)else:return harness.escalate(task, state, verdict)return harness.publish(task, state)

十、Agent 产出越快，技术债治理越要自动化

Agent 会模仿仓库已经存在的模式。好的模式会被快速复制，坏的 helper、命名习惯和临时绕过也会指数扩散。OpenAI 早期每周拿出一天人工清理所谓“AI slop”，相当于 20% 的工作周，但这种方式跟不上 Agent 的产出速度。

后来，团队把“什么是好代码”沉淀为 Golden Principles，再由定时 Agent 扫描仓库、识别偏离、生成修复 PR；文档也由 doc-gardening Agent 检查是否过时。这里的关键不是完全消灭技术债，而是让技术债检测和修复速度跟上代码生成速度。

图 14 Harness 还要负责持续的熵管理和垃圾回收

十一、评测对象应该是“模型 + Harness”的完整系统

同一个模型放进不同 Harness，任务成功率、Token 消耗、工具调用次数、恢复能力和人工升级率都可能不同。GitHub 在 2026 年公开的多模型 Harness 对比也强调，评价编码 Agent 不能只看底层模型，而要同时看任务解决率、每任务成本和运行方差。

图 15 Harness 评测 Scorecard

每次修改系统提示词、工具描述、上下文策略、子 Agent 结构、重试次数或模型路由，都应在固定基准集上做回归。否则，团队很容易只看到某个案例变好，却没有发现另一类任务的成本翻倍或成功率下降。

十二、生产级架构：拆开状态、执行、凭证与评测

演示项目常把聊天记录、模型调用、工具执行、文件系统和密钥放进一个进程。长时间运行后，这种结构很难恢复、扩容和审计。更稳妥的方式是让 Harness 作为控制面：会话事件与检查点单独持久化；上下文由 Context Builder 动态组装；工具通过路由层调用；不可信代码在沙箱执行；凭证由代理或 Vault 管理；Trace 和 Eval 贯穿整个过程。

图 16 生产级 Agent Harness 参考架构

OpenAI 2026 年更新的 Agents SDK 同样强调受控沙箱和“Harness 与计算分离”，这使长任务在执行环境重启后仍能恢复，也便于按任务弹性创建环境。安全上需要坚持最小权限、网络白名单、凭证不落入沙箱，以及删除数据、发款、发布生产等高风险动作必须人工确认。

十三、从 0 到 1 怎么落地？

不要一开始就堆多智能体、长期记忆和复杂反思。最有效的路线，是先选一类可以明确验收的任务，建立最小执行与验证闭环，再根据真实失败逐步加固 Harness。

图 17 Harness Engineering 的四周起步路线与持续迭代

落地检查清单

十四、面试中怎么回答 Harness Engineering？

项目例子可以按“问题—Harness 改造—可量化结果”展开。例如：Agent 经常调用错接口，于是将最新 API 文档接入检索，增加参数 Schema 校验和失败后的纠错提示，再用固定用例评测工具调用成功率、平均重试次数和 Token 成本。这样比只说“优化了 Prompt”更能体现工程能力。

写在最后

模型能力会继续提升，但模型越强，Harness 并不会自动消失。新的模型可能让某些旧策略失去价值，例如过去必须存在的 Planner、上下文重置或多轮反思，在下一代模型上可能只是额外成本；与此同时，更高自治也会放大权限、恢复、技术债和评测问题。

因此，Harness Engineering 不是不断增加模块，而是持续做实验：保留真正提高成功率、降低成本和风险的能力，删除已经不再“赚回成本”的复杂度。最终竞争力不只来自使用哪个模型，而来自团队能否把知识、约束、反馈和失败快速编码进系统。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

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。

以上全套大模型资料如何领取？