有些团队 3 个人就能交付百万行代码，有些团队连一个稳定的重构都跑不出来。很多人以为差别在模型——用 GPT-5 还是 Claude Opus，调多少温度参数，写多完美的 Prompt。
但真相远比这简单：差别不在模型，不在 Prompt，而在 Harness。
很多人对 Harness 有误解，以为它是 system prompt、是 API 包装，或是 Prompt 模板——这些都不对。
Harness，是语言模型运行的完整设计环境，包含工具调用、信息格式、历史压缩、错误护栏和任务交接脚手架，是让 AI Agent 稳定产出的'底层操作系统'。
普林斯顿 SWE-Agent 论文给出了最直接的证明：用同一个 GPT-4，只修改接口设计（也就是优化 Harness），性能从 3.97% 提升到 12.47%，相对提升 64%。
要知道，没有任何一次模型升级，能带来这么大的性能飞跃。
就像 IDE 没有让人变聪明，却能减少摩擦、及时呈现信息、及早捕获错误——语言模型本身相差不大，但 Harness 这个'接口'，决定了 AI 能发挥出多大价值。
行业大佬早已达成共识：
- OpenAI（Codex）：瓶颈从来不是模型能力，永远是环境设计
- Anthropic（Claude Code）：Harness 架构决定 Agent 能否持续进步
- 普林斯顿（SWE-Agent）：接口设计带来的提升超过任何模型升级
OpenAI、Anthropic、普林斯顿三大顶级团队的 Harness 实践，虽场景不同，但核心逻辑高度一致，整合其精髓可形成可直接复用的实战模板：三大团队均通过优化 Harness 环境，在不升级模型的前提下，实现了 AI Agent 生产力的跨越式提升。
普林斯顿 SWE-Agent 靠搜索限流、100 行文件查看器、带 Lint 的编辑器、上下文管理 4 个简单组件，让同一 GPT-4 模型性能提升 64%；Anthropic 用'初始化 + 编码'两阶段架构，搭配 JSON 格式任务清单、浏览器自动化，破解上下文过载难题；OpenAI Codex 更实现 3 人团队 5 个月交付百万行零手写代码，核心在于结构化 docs 目录 + 短 AGENTS.md 的渐进披露模式、独立应用实例与全链路可观测性接入。
三者的共性经验是：无需追求复杂模型，通过合理的环境设计（信息管控、架构约束、反馈闭环），就能让 AI Agent 稳定高效产出，这正是 Harness 的核心价值所在。
理论需结合实践，这 3 个顶级团队的实践，完美诠释了 Harness 的力量，也给出了可直接借鉴的路径。
整个 Harness 生态被清晰分为七层，从下到上价值递增，也能帮我们看清：真正的核心竞争力在哪里。
**第 1 层（编码 Agent）：**Claude Code、Codex 等，属于'商品级'，大家差距不大；
**第 2 层（框架和运行时）：**包含渐进披露、子 Agent、结构化上下文，以及持久记忆、定时执行等能力；
**第 3 层（Agent 编排器）：**支持多 Agent 并行，用 Git Worktree 隔离，让每个 Agent 在独立沙箱工作，互不干扰；
**第 4 层（任务运行器）：**连接 Issue Tracker 和编码 Agent，实现'人创建 Issue→运行器分配→Agent 交 PR→人审查'的闭环；
**第 5 层（全生命周期平台）：**端到端管理从需求到交付的全流程，集成 AI 提议、人类验证门和子 Agent 编排；
**第 6 层（规格工具）：**把人类想法变成结构化规格和任务 DAG，AI 提议任务图，人类只做验证和审批；
**第 7 层（人类监督）：**工程师审批方案、Review PR、设定优先级，核心是设计环境，而非亲自写代码。
关键结论：底层编码 Agent 是商品，上面六层 Harness，才真正决定 AI Agent 的最终效果。长期护城河，从来不在模型，而在 Harness。
不管是 OpenAI、Anthropic 还是普林斯顿，他们的 Harness 设计，都离不开这五个反复出现的核心模式，可直接复用：
1. 渐进披露
不要一次给 Agent 所有信息，而是给最小定向信息 + 指向深层内容的指针。上下文开头的信息影响力最大，短小聚焦的入口，比全量倾倒更有效。 典型应用：OpenAI 的 docs/架构、SWE-Agent 的搜索限流。
2. Git Worktree 隔离
一个 Agent 一个 worktree，拥有独立目录、独立分支、独立环境，让并行 Agent 互不干扰。变更在隔离环境验证后，再合并到主分支，避免风险扩散。
3. Spec First（规格优先）
规格和架构决策，必须编码到仓库的机器可读文件里。如果 Agent 从仓库读不到，对它来说就等于不存在——避免 Agent 依赖'人类脑子里的想法'，减少偏差。
4. 机械式架构强制
人类 Review 跟不上 Agent 的产出速度，改用自定义 linter+ 结构测试+CI 替代，强制不变量，不管具体实现。而且 linter 错误消息要专为 Agent 设计，包含修复指令，让 Agent 能自主修正。
5. 集成反馈循环
让错误在产生瞬间被捕获：语法错误由编辑时的 linter 捕获，运行时错误由可观测性工具查询，UI bug 由浏览器自动化验证。行动和后果之间的间隔越短，Agent 表现越好。
Harness 不是遥不可及的复杂架构，搭建最小可行版本，今天就能开始，核心就 4 步：
1. 持久进度文件
每次会话开始时读，结束时写，记录'上次做了什么、完成了什么、留下什么状态'，防止 Agent'提前宣布胜利'，避免半途而废。
2. 结构化任务清单
不是模糊描述，而是具体、可枚举、可验证的完成标准，每项都有状态标记，验证后才更新。防止'做了一半看起来做完了'的无效内耗。
3. Git 版本控制
每次会话以 git commit 结束，保留回退机制——改坏了就 revert 到上次好的状态，版本控制就是 Agent 的'认知脚手架'，避免错误扩大。
4. 浏览器自动化
只看代码的 Agent 和只看代码的开发者一样盲目，大多数重要 bug 只在运行时可见。让 Agent 能像用户一样操作应用，才能真正验证代码效果。
关键提醒，当 Agent 表现不好时，先做环境审计，而不是换模型：
- Agent 缺什么信息？→ 加工具或文档
- 哪里经常卡住？→ 缺什么反馈循环
- 上下文被什么污染？→ 改上下文管理策略
- 什么约束靠 Agent 判断？→ 改成机械检查
每个失败，都是环境需要优化的信号。
AI 时代的工程师，最大的思维转变，就是放弃旧思路，拥抱 Harness 思维：
核心区别：投入在更好的 Prompt 上，只能解决这一个问题（临时、局部）；投入在更好的工具和环境上，能预防一类问题（永久、通用）。
而 Harness，就是这份'永久投资'的存放之处。
结语
很多人痴迷于追逐更强的模型，却忽略了最基本的真相：模型是推理引擎，Harness 决定推理引擎能完成什么。
AI Agent 的竞争，早已经从'模型之争'，变成了'环境之争'。
对每一位 AI 时代的工程师来说，不用再纠结于 Prompt 的细节，不用盲目追求更强的模型——从搭建最小 Harness 开始，优化环境、完善规则、构建闭环，才能真正释放 AI 的生产力。
建议从创建一份结构化任务清单、提交第一次 Git commit 开始，构建 Harness。
