2026 年 3 月 31 日，Claude Code 的构建配置失误导致源码泄露，披露推文在 X 上引发超过 1700 万次浏览。这场风波意外地把一个圈内术语推到了大众面前：Harness Engineering。

人们第一次看到，一个成熟的 Coding Agent 背后，不只有「模型有多聪明」这一个变量。

业内人士反复念叨一句话：Agent = Model + Harness。

这句话，几乎概括了 2026 年 AI Agent 工程化的全部共识。这篇文章就把它讲透。

一、先把公式拆开：Model 和 Harness 各是什么

	Model（模型）	Harness（马具 / 驾驭层）
提供什么	智力、推理、生成	控制、可靠性、生产力
类比 1	一匹好马	缰绳、鞍具、骑手
类比 2	CPU	操作系统
决定什么	智能体的认知上限	智能体的行动边界与执行质量

「马具」这个翻译很形象：马再壮，没有缰绳、鞍具和骑手，也跑不成一场比赛。对应到 AI 编码工具，胜负从来不由「谁家模型更聪明」单独决定——Anthropic 内部与社区达成的共识是：

模型负责智力，Harness 负责让模型「靠谱地活下去」。

而「CPU 与操作系统」的类比更工程化：CPU 再强，没有调度、内存、权限和故障恢复，系统依然不可用。

二、Agent Model：为「干活」而生的模型

Agent Model，指的是为 Agent 行为方式专门训练的模型——而不是为「聊天」优化的通用模型。

两者的差别，体现在四个维度：

维度	通用对话模型	Agent Model
工具调用	会，但输出不稳定	准确输出结构化工具参数，Typed schema 约束
行为规范	简单指令即可	遵守数千行的系统提示词与行为指令块
长上下文	多轮闲聊	跨多轮工具调用保持任务一致性
计算机操作	无	看屏幕、模拟键鼠、操作软件

2025 年 11 月发布的 Claude Opus 4.5，是首批明确为 agentic 行为优化的旗舰模型之一。Anthropic 的思路不是「先训好模型，再套壳」——而是模型与 Harness 共同设计（co-design）：训练阶段就让模型习惯 Harness 提供的工具契约、权限约束与提示词结构，模型天生就「会干活」。

一句话理解两者的分工：Model 决定智能体「能想多深」，Harness 决定它「能办多稳」。

三、Harness：让 Agent「靠谱地活下去」的操作系统

Harness 是模型与真实世界之间的中间层。

它不是单纯的 Prompt Engineering，也不是简单的 Tool Calling，而是一整套生产级系统：工具调度、权限控制、上下文管理、状态持久化、错误恢复、多 Agent 协作、监控循环。

三层概念呈嵌套关系，不是并列：

Prompt Engineering ⊂ Context Engineering ⊂ Harness Engineering

• Prompt 决定「指令质量」——怎么说
• Context 决定「信息质量」——给模型看什么
• Harness 决定「系统质量」——系统怎么运行、如何约束、如何恢复

以 Claude Code 为例，一个典型的 Harness 包含六大子系统：

子系统	干什么	关键设计
Agent Loop（主循环）	感知→推理→工具调用→结果反馈，循环直到完成	防失控：每类自动恢复仅尝试一次；状态迁移记录原因，便于回放
Tool 系统	约 40 个权限门控工具：读文件、bash、grep、浏览器等	工具契约内置 inputSchema、isReadOnly/isDestructive 语义标签；只读可并发、副作用串行
上下文与记忆	对抗「上下文混乱」，跨 context window 长跑	四级压缩（snip→microcompact→collapse→autocompact）；CLAUDE.md、Skills 提供持久规则
多 Agent 编排	Planner / Generator / Evaluator 三代理（受 GAN 启发）	生成与评估分离；Sub-agent 独立上下文窗口，结果摘要回填
安全与恢复	权限三态（allow / ask / deny）、沙箱执行、Hook 反馈回路	PreToolUse / PostToolUse 等 Hook；检查点恢复，中断后不必整段重来
Agent SDK	Anthropic 提供的通用 harness 基础	Claude Code 在它之上高度定制

四、为什么 2026 年突然都在讲 Harness

三个信号，说明这不是概念流行，而是工程现实：

1. 范式转向。AI 编程范式从 2025 年的「Vibe Coding（随性编码）」转向「Agentic / Harness Engineering」。问题不再是「能不能生成代码」，而是「能不能持续、可控地完成复杂任务」。
2. 失败归因变了。长任务、多工具、多协作者的场景下，系统失败的主因从「模型推理失败」变成了「编排、权限、上下文、恢复路径失败」——而这些全部属于 Harness 的管辖范围。
3. 事件催化。2026 年 3 月 31 日的源码泄露，让社区第一次能逐行审视 Claude Code 的架构，讨论空前高涨。

而背后真正硬的问题是 Long-Running Agent（长时运行智能体）。Anthropic 工程博客多次强调：Harness design 是 agentic coding 前沿性能的关键，并发布了两篇核心文章——《Effective harnesses for long-running agents》《Harness design for long-running application development》。

核心思想是：解决跨会话、跨上下文窗口的一致性问题，靠的不是更长的 context，而是「生成与评估分离」——用一个 Evaluator 代理独立检查产出，配合上下文重置机制，对抗「上下文焦虑」导致的任务偏离和自我评估失效。

五、给团队的五条可落地建议

从 Claude Code 的实践里，可以提炼出四条原则：边界前置、语义前置、恢复前置、观测前置。落到日常执行，避坑比造轮子更重要：

常见误区	正确做法
只优化 Prompt，不治理工具与权限	权限判断迁移到代码路径强制执行
默认全量上下文，爆了再救火	监控上下文利用率拐点，分层压缩
把并发当性能捷径	副作用工具串行，只读工具才可并发
把 Hook 写成万能脚本	每个 Hook 职责单一、可维护
没有恢复路径，全靠重试碰运气	记录可恢复边界，中断后从检查点续跑

建议用五个指标量化 Harness 的健康度：任务一次完成率、平均恢复次数（越低越好）、单任务 Token 成本、高风险调用占比、回归失败率。

Boris Cherny（Claude Code 早期作者之一，《Programming TypeScript》作者）分享过几个关键心得：早期 Claude Code 并不惊艳，直到模型足够强 + Harness 迭代成熟才爆发；「信任模型，但用严格工具和权限约束它」；「人类负责方向，Agent 负责执行」；「迭代 Harness，比单纯优化 Prompt 更重要」。

六、别忘了：模型接入也是 Harness 的一环

讲 Harness 很容易只盯着「壳」，但别忘了公式的另一半是 Model——壳再好，模型接入的链路不稳，一切都是空谈。

Claude Code 的模型后端本身是可配置的。对国内团队来说，用 Claude Code 的 Harness 能力 + 性价比更高的模型后端，是一条被验证过的路径：经向量云（火山方舟官方授权 Token 服务商）获取官方 API Key，走 Anthropic 兼容协议（Base URL：https://ark.cn-beijing.volces.com/api/compatible）接入火山方舟模型——Harness 的编排、工具、权限照常工作，模型侧的成本和稳定性也得到保障。

这一点和缓存优化直接相关：Harness 里工具顺序稳定 → 前缀稳定 → 缓存命中率提升，而独享接入点（缓存命中率 70%~90%）正是把这条链路守住的后半段。

写在最后

回看 2025 到 2026，AI 编程领域的最大变化不是某个模型横空出世，而是工程视角的集体转向：

从「问哪个模型最强」，到「怎么把模型驯化成可交付的系统」。

模型会越来越强，而且越来越商品化；但决定一款 Agent 能否从「玩具」变成「生产力工具」的，是那套把模型「套」好的马具——工具契约、权限边界、上下文管理、恢复机制、多代理协作。

未来顶级工程师的画像，可能不再是「最会写代码的人」，而是最会设计、优化和编排 Harness 的人。