本文介绍了大模型背后的 Harness 工程概念从提示词工程到上下文工程再到 Harness 工程的发展历程详细解释了 Harness 的组成和运作机制并通过实际案例展示了 Harness 对大模型性能的影响。最后文章提出了 Harness 工程的三层境界并强调了在模型升级后判断何时删除 Harness 代码的重要性。一、先说件怪事2026 年初,一大批人开始反馈 Claude 变笨了。代码写得乱、回答不如以前、问个简单问题都磨蹭半天。讨论声大到 Anthropic 出来解释。复盘出来,结论让人意外——模型一个字节没改。权重、参数、训练数据,全是原来那套。那改了什么?改了一个叫 Harness 的东西。大部分人是第一次听说这个词。但接下来你会看到,2026 年 AI 圈最重要的那个词,很可能就是它。二、它是怎么来的它不是凭空出现的。它是被三年的工程教训一步步逼出来的。1、2023:所有人都在琢磨怎么说ChatGPT 刚出来那一年,行业里最热的活儿叫提示词工程(prompt engineering)研究怎么把指令、角色、要求写进发给模型的那段文字里,让它输出更准确。“你是一位 XX 专家”“请一步步思考”“请按 JSON 格式输出”——这类话术满天飞。背后的逻辑很简单:模型很强,关键看你会不会问。但这个阶段很快就遇到瓶颈。同一个提示词,今天好用、明天就崩;问题换个说法,结果差十倍。仅靠怎么问撑不起一个真正能用的产品。但要说清楚提示词工程并没有过时。它只是不够了。后面每一层新东西内部都还在认真地怎么说——只不过这件事慢慢从人的手艺变成了系统自动打理的一个环节2、2024-2025:风向变了,大家开始琢磨给它看什么行业意识到,模型答得好不好,更多取决于它眼前看到了什么,而不是你怎么问。这一年出现了一批上下文工程(context engineering)的玩法研究怎么把外部资料、历史对话、相关代码片段动态组装进去,让模型每次都看到最相关的信息。把相关文档检索出来塞进对话(这就是 RAG,检索增强生成)、把代码片段挑给它看、把示例贴进提示词。同一个模型,喂得好就答得好,喂得乱就答得差。但这一层也有上限。它做的还只是准备好材料递给模型看一眼。文是单次的——模型看完答完就结束了。它不能上网、不能改文件、不能跑代码、不能记住你昨天说过的话。它只会看了然后答,不会看了然后做。3、2025下半年–2026:终于开始琢磨它怎么干活行业又问能不能让模型不只是答而是真的去做事第一波尝试是 AutoGPT、BabyAGI 这种早期 Agent 项目。给模型一个目标让它自己想自己干。结果一跑就乱、烧钱不办事——这不全怪他们那会儿模型本身还撑不起长链条的自主任务外面那层框架也太糙两头都没到位。第二波尝试是 LangChain 这类 Agent 框架——给开发者一堆积木让他们自己拼。能跑了但每家拼出来形状都不一样又脆又重。到这一步得正式请出一个词harness脚手架。它指的是模型外面那一整套东西让一次性的问答变成一个能干活的 agent 所需要的全部配件自己跑的行动循环、调用工具的接口、上下文和记忆的动态管理、权限控制、会话和文件状态、出错了怎么处理。到这儿前两层的去向就清楚了提示词工程、上下文工程都没消失它们被收进了 harness 里成了这套系统内部自动打理的两个模块。harness 不是第三种取代前两种的东西而是把前两层装进了一个会循环行动的框架。2025 年,Anthropic 推出了 Claude Code——它在终端里跑,能读你整个项目的代码、改文件、运行命令、跑测试、提交 PR,像个能自己干活的工程师。它不是给你积木让你拼,而是直接给你一辆装好的车,钥匙交到你手上,你只管开。那它凭什么比别人的拼装车跑得好答案全在 harness 上。有个很说明问题的数据同样一个 Opus 4.5 模型在 CORE 基准上套 Claude Code 的 harness 能拿 78 分换一套开源框架Smolagents只剩 42 分。模型一模一样差距全在外面那层。过去三年大家以为模型变强了其实真正拉开差距的是模型外面那一层有没有打磨好。2025 年下半年事情又往前走了一步。Claude Code 在 Anthropic 内部早就不只用来写代码了——做深度研究、剪视频、记笔记几乎所有主要的 agent 流程都在它上面跑。于是 Anthropic 干脆承认驱动 Claude Code 的这套引擎根本不是编码工具而是个通用的 agent 底座。 他们把它单独拆出来把原本的 Claude Code SDK 改名为 Claude Agent SDK。这一拆定位就清楚了你不用再自己拼积木也不必整辆车照搬而是拿到那台验证过的引擎装进自己的应用里再针对自己的任务去定制外面那层 harness。业界给这套打法起了个名字——Harness as a Service。4、一句话概括这三年第一阶段管说——提示词工程第二阶段管看——上下文工程第三阶段管做——Harness 工程每一阶段不是推翻前一阶段,而是把前一阶段包进来。Harness 里依然有提示词、有上下文管理,但它管的是一整套模型怎么在真实世界里循环干活的事。三、Harness 到底是什么讲到这里,我们可以正式说 Harness 了。1、三个东西的关系:Agent Model Harness先把三个核心概念理清楚:大模型(比如 Claude Sonnet 4.5):一个只会输入文字、输出文字的引擎。本身不能读文件、不能跑命令、不能记事。Harness:包在大模型外面的一整套工程代码。它负责把大模型变得能在真实世界里干活——给它配工具、管它的记忆、决定它每次看到什么、检查它能不能放行某个动作。Agent:能在真实世界里干活的智能体。它 大模型 Harness。这个等式写出来就是行业里那条最基础的公式:Agent Model Harness举个具体的:Claude Code Claude 模型 一个非常成熟的 Harness(这个 Harness 现在被 Anthropic 独立出来叫 Claude Agent SDK)。Cursor 某个底层模型 Cursor 自家的 Harness。Devin 某个底层模型 Devin 自家的 Harness。模型大家都能调用 API,真正决定一个 Agent 强不强的,是它的 Harness。2、Harness 的分类行业里目前的 Harness 大致按两个维度分。按部署形态分:本地 Harness:跑在你机器上,比如 Claude Code、Cursor、Aider。优点是延迟低、数据不出本机;缺点是要你自己维护环境。托管 Harness:跑在云上,比如 Anthropic Managed Agents、Devin。优点是开箱即用,可以长跑;缺点是数据要交出去。嵌入式 Harness:嵌进别的产品里,比如 VS Code 里的各种 AI 插件、浏览器扩展。按用途分:编码 Agent:Claude Code、Cursor、Devin。Harness 围绕读代码、改代码、跑测试建。通用 Agent SDK:Claude Agent SDK、OpenAI Assistants API。给你一个通用底座,你自己接业务。垂直 Agent:Harvey(法律)、Glean(企业搜索)、Hebbia(金融)。Harness 重度定制到某个行业。这篇文章后面讲的所有原理,三类都适用。3、机制很多,循环一个shareAI-lab 的开源教学项目 learn-claude-code 把 Claude Code 拆成 20 个最小可运行的示例。最后它用一句话总结了整套架构——机制很多,循环一个。这句话不是 Anthropic 官方的提法,但它准确戳中了 Claude Code 这类 Agent 内部的设计原则。我们沿用它来理解 Harness。3.1、先讲循环一个你看到的 Claude Code 那么多能力——读文件、跑命令、调工具、记住你说过的话、几个 Agent 协作、定时任务、后台执行——表面上像是无数个独立功能堆出来的。但骨子里,所有功能都挂在同一个循环上。这循环只有 5 行代码:while True: response LLM(messages, tools) # 让模型基于历史说话 if not has_tool_use(response): # 模型没要求调工具?结束 return results execute_tools(response) # 模型要调工具?执行 messages.append(results) # 结果塞回去,再来一轮翻译成人话:模型说话 → 看它要不要调工具 → 调了 → 结果塞回去 → 模型再说话 → …… 直到模型说我说完了为止。Claude Code、ChatGPT 的 Agent 模式、Cursor,骨子里都是这一个循环。区别只在于循环外面挂了多少东西。这一个循环,就是 Agent 的心跳。下文出现循环和心跳,指的都是这同一件事。3.2、走一遍真实过程光看代码没感觉。我们用一个真实场景从头到尾跑一遍——你跟 Claude Code 说:“帮我看一下桌面上有什么文件,然后把所有 PDF 移到 Documents/PDFs 里去。”第 0 步:你按下回车之前Claude Code 已经在一个 while True 循环里跑着。它脑子里有两样东西:messages[]:从对话开始到现在所有的来回一个工具池:内置工具(27 个,包括读写文件、跑命令等) 可能动态接入的外部工具第 1 步:用户输入预处理(input preprocessing)你输入的那句话,先被 UserPromptSubmit 钩子处理一遍——做安全审计、记日志、必要时改写。然后追加到 messages[] 末尾。钩子(hook)是 Harness 在关键时刻插的扩展点,可以让你在不改主流程的前提下加上自己的逻辑(审计、拦截、改写)。第 2 步:上下文组装(context assembly)进入LLM 前处理环节。这一步要按顺序干 4 件事:① 定时事件检查(cron polling):有没有定时任务到点了?这次对话没设定时任务,跳过。② 后台事件检查(background notification):有没有后台任务跑完了?没有,跳过。③ 上下文压缩(compaction):当前 messages[] 是否过长?没到上限。如果到了,这里会把旧消息压成摘要,省出空间。④ 系统提示组装(system prompt assembly):拼上你是 Claude Code,知识截止 2026 年 1 月……这种身份说明拼上技能目录(已注册的各种 skill 的简介)拼上记忆(如果有的话)拼上已连接的外部服务器列表这一步整个 Harness 在做的事是:把模型这一轮需要看到的所有信息准备好。第 3 步:模型推理(model inference)把 messages[] 系统提示 工具池定义全部打包,发给 Claude 模型本体。模型在这一步做意图识别(intent recognition):它要判断用户到底想干嘛、自己该直接回答还是该调工具。这一次它判断:“用户要我先看桌面、再移动 PDF。我得先调一下 bash 看看。”模型返回内容里带了一个 tool_use 块:调用 bash,命令是 ls ~/Desktop。第 4 步:意图分发(intent dispatch)Harness 解析模型的返回,判断 stop_reasontool_use? → 是。继续。第 5 步:工具前闸门(pre-tool gate)进入安检环节。PreToolUse 钩子触发:日志钩子先记一笔权限管线(permission pipeline)检查:ls ~/Desktop 是只读命令,安全,放行如果模型给的命令是 rm -rf ~/Desktop,权限会拦截,闸门直接返回拒绝第 6 步:工具执行(tool execution)bash 是内置工具,由内置执行器(handler)执行。注意这里有一个分支:should_run_background?如果命令很慢(比如 npm install),后台机制会启动一个独立线程,主循环立刻拿到一个占位结果:“任务已在后台运行,IDxxx”ls 很快,不走后台,同步执行完成第 7 步:工具后处理(post-tool processing)工具跑完了,PostToolUse 钩子触发——比如检查输出是不是太大、要不要截断。第 8 步:结果回写(result append)把执行结果包装成 tool_result 块,追加到 messages[] 末尾。第 9 步:进入下一轮循环模型这次看到的 messages[] 里多了用户要看桌面 我调了 bash 桌面有这些文件。它继续判断:“桌面有 3 个 PDF,我得用 mv 命令把它们移走。” 又返回一个 tool_use。第二轮 → 第三轮 → ……直到模型看到全部移动完成,生成一段总结回复,这次没有 tool_use 了。循环触发 Stop 钩子收尾,结束循环,把回复给你看。这一整段过程里,大模型和 Harness 分别在做什么?看清楚这个,就理解 Harness 了。大模型从头到尾只做一件事:基于眼前的对话历史,吐下一段话(要么是回答,要么是我要调这个工具)。它不读文件、不跑命令、不记事、不审计。它只会看了然后说。Harness 在做的事多得多:上下文组装:决定模型这一轮看到什么意图分发:解析模型的输出,看它要不要调工具权限管线:在工具执行前检查、跑钩子工具执行:真的去执行那个工具(读文件、跑命令、调外部接口)结果回写:把结果塞回对话历史循环控制:决定要不要进入下一轮,还是收尾退出模型负责想和说,Harness 负责听“做”“记”“管”。 一个 Agent 之所以能干活,是因为这两边在那一个循环里反复配合。如果一句话不需要工具,循环跑 1 次就结束。如果是看下桌面然后整理一下 PDF,可能跑 5–6 次。3.3、那机制很多是啥意思回到那张架构图。这张图是 learn-claude-code 项目里把 Claude Code 完整版的内部架构画出来的。看着复杂,其实就两块。上半部分——蓝色大框里那一排,就是循环本身从左到右五个方框,对应循环的五步:messages[]:对话历史。一切的起点和终点。LLM 前处理(绿色):把模型这一轮要看到的东西全部准备好。包括定时事件/后台事件的注入、消息压缩、系统提示组装。LLM:真的调用模型。看它有没有要求调工具。工具前闸门(橙色):模型说要调工具,但能不能调先过安检。钩子看一眼(打日志、审计),权限管线看一眼(“你想 rm -rf?不行!”)。执行器(handlers):闸门过了,真的执行。内置工具自己执行,外部工具(通过 MCP 协议接入的)转发出去。执行完,结果绕回 messages[],进入下一轮。这就是底部那条回路虚线。下半部分——四个彩色方框,是挂在循环上的四类外挂这是整张图最聪明的设计。它把 Claude Code 所有能力按职责分成四类,每一类用虚线指向我挂在循环的哪一步。绿色「上下文与知识」 → 挂在【LLM 前处理】。决定模型每一轮看到什么。技能目录、相关记忆、提示组装、长对话压缩,都在这里。橙色「治理与扩展点」 → 挂在【工具前闸门】。决定模型能不能做某事。权限、钩子、出错重试、停止条件,都在这里。紫色「持久工作」 → 也挂在【工具前闸门】。因为待办、任务图、后台任务4.2. 工具调度(tool orchestration)是什么:决定模型能调什么、谁去执行。维护工具池,解析意图分发到对应执行器。子机制:tool pool(工具池)、intent dispatch(意图分发)、MCP 接入、handlers(执行器)开发者怎么写:在 .mcp.json 接入 MCP 服务器、写自定义 skill、注册自定义 handler使用者怎么调:用 /permissions 启用/禁用工具;用 skills 给 Agent 加垂直能力;通过 .mcp.json 一键接入外部服务(比如数据库、文档站)4.3. 权限与治理(permissions governance)是什么:决定哪些动作能放行。在工具执行前过钩子、过权限管线、过安全策略。子机制:PreToolUse hook、permission pipeline(权限管线)、PostToolUse hook、Stop hook开发者怎么写:在 settings.json 的 hooks 字段写钩子脚本(Node/Python/Shell 都行);自定义权限策略使用者怎么调:在 settings.json 的 permissions 字段设白名单/黑名单;切换 plan / auto / strict 三种执行模式;通过 --allow-tool 一次性放行4.4. 错误恢复(error recovery)是什么:模型/工具出错时怎么重试、降级。包括 API 限流、超长退避、备用模型切换。子机制:retry/backoff(指数退避)、fallback model(备用模型)、reactive compact(反应式压缩)、429/529 处理开发者怎么写:在 SDK 里捕获 RateLimitError 切换模型;自定义 retry 策略使用者怎么调:在 settings.json 配 fallbackModel;遇 token 超限用 /clear 或 /compact;超时调高 --timeout4.5. 持久工作(durable work)是什么:跨对话、跨时间的活儿怎么记、怎么续。包括待办、任务图、后台任务、定时调度。子机制:todo_write(待办)、task graph(任务图)、background(后台执行)、cron scheduler(定时调度)开发者怎么写:调用 schedule_cron 注册定时任务;用 task graph API 编排跨会话任务;长命令加 run_in_background: true使用者怎么调:用 /loop 命令让任务自动重复跑;让 Agent 主动 todo_write 拆分长任务;后台命令加 不阻塞主循环4.6. 可观测性(observability)是什么:所有动作能不能被记录、被审计。日志、链路追踪、token/成本统计、回放。子机制:trace log(链路日志)、token accounting(token 计量)、UserPromptSubmit hook(输入日志)、audit trail(审计跟踪)开发者怎么写:在 PostToolUse 钩子里写日志;接入 LangSmith / Helicone 做链路追踪;自定义 metrics 上报使用者怎么调:用 /cost 看本次会话开销;启用 --verbose 打印循环细节;查 ~/.claude/logs/ 复盘历史调用这六块加起来,就是把只会接话的模型变成能在你电脑上干活的同事的全部机制。而它们共同的骨架,永远是那 5 行 while True。5、多 Agent 协作一个 Harness 内的两种范式讲完单 Agent 的 Harness,还得讲一种越来越主流的设计:多 Agent 协作。一个 Harness 里跑多个 Agent,行业里有两种典型范式。5.1、范式 A:单机内多 Agent 协作(Claude Code 的实现)主 Agent 接你的指令,可以拉队友一起干。具体机制:spawn_teammate:主 Agent 决定要拉一个队友,调一个工具就能起来一个新的子 Agent。新队友有自己独立的 messages[] 和 while True,但和主 Agent 共享文件系统。send_message / check_inbox:队友之间通过消息总线沟通。A 干完一段活儿,发条消息给 B;B 在自己的循环里 check_inbox,看到消息就接着干。worktree 隔离:每个队友占一个独立的 git worktree(独立目录 独立分支),A 改后端、B 改前端,互不打架。request_plan / review_plan:可以要求队友先交方案,主 Agent 看过批准了再让对方动手。这一套适合横向并行——一个大需求拆成几条线,几个队友同时推。5.2、范式 B:分工流程的三 Agent 设计(Anthropic 官方)Anthropic 自己在 2026 年 4 月发布了一个长任务三 Agent 范式,把做事和判断做得好不好分给不同的 Agent。Planner Agent(规划):把大任务拆成子任务,规划执行顺序,输出结构化交接产物。Generator Agent(执行):按计划真正去做事——写代码、改文件、跑测试。Evaluator Agent(评估):独立打分(质量、原创性、完成度),不通过就打回去重做。这一套解决三个长期痛点:上下文丢失:通过结构化交接产物 context reset,让长任务能跨阶段接力。任务过早终止:单次会话最长 4 小时、5–15 轮迭代,把快速试错换成慢工细活。自评虚高:让模型自己评自己,几乎一定虚高;把评估单独拎给一个 Agent,立刻客观。这一套适合纵向迭代——一个长任务反复打磨,直到评估方点头5.3、两种范式什么时候用需求能拆成多条独立子任务 → 用 A(横向并行)单个任务复杂、需要反复打磨 → 用 B(纵向迭代)既要拆又要打磨 → A B 嵌套(主 Agent 用 A 拉队友,每个队友内部用 B 的三角色循环)四、同样的 Claude,凭啥有人 78% 有人 42%地基打牢了,看数据。行业里一个公开的事实是同样的 Claude 模型,不同团队用,性能能差一倍。三个案例。1、案例一:Vercel 把工具砍掉 80%,成功率反而涨到 100%Vercel 是做云部署的那家公司。他们做了一个 Agent 来自动化部署任务。一开始想法很朴素——工具越多 Agent 越聪明。所以装了一大堆:读文件、写文件、搜代码、跑命令、查文档、调 API……跑出来发现一个怪现象:模型常常挑错工具。明明能直接写文件,它非要先搜一遍;明明能一步搞定,它拆成五步。为什么?回到刚才那张图,每一轮模型说话之前,Harness 都要把模型可以调的工具列表喂进去。工具越多,这列表越长。模型每次得从一长串里挑一个用——挑错的概率自然上升。Vercel 做了一件反直觉的事——把工具池从一大堆砍到只剩最核心的几个。结果:✅成功率从 80% 涨到 100%token 用量 砍一半响应时间从 12 分钟掉到 2 分钟对模型来说,工具越少反而越聪明。少是一种能力。2、案例二:LangChain 模型没换,光改上下文就跳了一档LangChain 是最早做 Agent 框架的公司之一。他们想在 Terminal Bench 2.0 上拿高分。这是个公开评测,专门测 Agent 能不能在终端里完成真实的编程任务。第一版跑出来排第 30 名,得分 52.8%。他们没去换模型——业界用的都是同一批模型,换了也没用。他们去研究模型为什么会出错。发现绝大多数错误的根源是上下文管理。回到那张图,绿色LLM 前处理框——每一轮模型说话之前,Harness 要决定塞什么进它眼前。塞太多它处理不过来,塞太少它信息不够。第一版的策略太粗。该看到的没看到,不该看到的塞了一堆。模型在噪音里挑信号,自然挑错。他们重新设计了这套策略——怎么组装、怎么压缩、怎么淘汰。结果:✅得分从 52.8% 跳到 66.5%排名从第 30 挤进 前 5模型没动一根头发。3、案例三:Harvey 重做找资料那一块,准确率直接翻倍Harvey 是给律师用的 AI。律师评测发现它回答法律问题准确率不够高。他们排查了很久,结论挺反直觉——模型本身没问题。同样的问题,如果你手动整理好资料再问,模型答得很好。问题出在 Harness 里找资料 塞资料那一块(行业里叫 RAG 流水线)。法律数据库巨大,每次模型要回答一个问题,Harness 得从里面挑几条相关的法条或案例塞给模型。挑错了或挑不全,模型就只能猜——再聪明的模型也救不回来。他们重做了这一块。结果:律师评估的准确率直接翻倍。4、落到你身上这三家公司没换模型,没多花 token 钱。他们换的是车。如果你也用过 Claude 觉得也就那样——大概率不是模型选错了,而是你压根没有 Harness,或者那个 Harness 太烂。五、然后剧情反转了——Anthropic 自己在删 Harness到这里你应该已经接受了Harness 很重要这件事。现在给你一个反转。你打开任何一个 AI 公众号,最近半年都在教你怎么建 Harness。十二大模块、六层架构、完整指南。然后你打开 Anthropic 自己的工程博客,他们在说一句完全相反的话——把你那些 Harness 删掉。引爆的判断是这句:我们当初为 Claude 3 建的脚手架,正在变成 Claude 4 的牢笼。为什么?回到前面那个定义——Harness 本质是给模型补短板。你建一个工具,是因为模型自己干不了那件事;你写一段压缩逻辑,是因为模型看不下那么长。但模型一直在升级。它的短板在变少。你三个月前为模型当时干不了 X写的那段补丁,三个月后模型自己能干 X 了。但补丁还在那里跑——它不仅没用,还在替模型干它本来能干得更好的事。讲一个真实例子,你就明白了。回到那张图,模型每一轮能看的文字是有上限的,专业术语叫上下文窗口(context window)。Claude Sonnet 4.5 有个毛病——聊到一半,眼看自己快看不下了,会提前慌张结束任务。Anthropic 自己给这毛病起了个名叫上下文焦虑(context anxiety)。他们给 Harness 打了个补丁:每次接近上限时,主动帮模型清掉一部分历史、重置对话状态。半年后 Opus 4.5 出来。这毛病自己没了——新模型对长对话不焦虑了。但那个补丁还在 Harness 里跑。新模型本来能跑得很顺,结果被旧补丁强行打断、清记忆、重置。补丁反过来变成了拖累。这就是为什么 2026 年初一批用户突然觉得Claude 变笨了——他们感觉到的不是模型变笨,是 Harness 里那一堆早该删掉的补丁在拖后腿。所以 Anthropic 在做的事是:删。落下来一句话——Harness 工程的真正高阶能力,不是建,是判断什么时候该删。六、那你怎么办——Harness 怎么增、怎么删光看 Anthropic 在删,自己不会动也没用。这一段先说一件最重要的事:Harness 不是AI 黑盒,是你能直接动手改的代码。每一段权限、每一条规则、每一个工具,都是写在配置文件或代码里的。能加,能改,能删。下面分别讲怎么增、怎么删,以及怎么不删错1、怎么增一段 Harness(4 步)假设你在用 Claude Code,发现它经常做一件危险事——比如时不时执行 git push --force,你想拦下来。第 1 步:定位问题挂在循环的哪一步回到那张图。你的问题是工具执行前要拦截,对应的是工具前闸门那一步。所以这是一个钩子(hook)问题,不是上下文问题,也不是工具池问题。第 2 步:选择最小改动能用配置解决,就不要写代码。Claude Code 提供了 ~/.claude/settings.json,里面可以配 PreToolUse 钩子。一段 JSON 就能搞定,不用动主流程。第 3 步:写一段拦截逻辑在 settings.json 里加:{ hooks: { PreToolUse: [ { match: bash, command: node ~/.claude/hooks/block-force-push.js } ] } }然后写一个 30 行的 block-force-push.js:读取要执行的命令,匹配到 git push --force 或 -f 就返回拒绝。第 4 步:观测一段时间跑一周,看日志里:拦截触发了几次?拦对了吗?有没有误拦?(比如把正常的 git push origin force-branch 误判)有没有让模型卡死?(被拒后它能不能换个方式继续)观测正常,留下;不正常,调一下匹配规则。核心原则:从循环找位置 → 用最小改动 → 装观测 → 看数据。 不要一上来就写一大套框架。2、怎么删一段 Harness(4 步)删比增难,因为你不知道删了会不会塌。但有套路。第 1 步:列出嫌疑名单打开你的 Harness 配置和代码,把以下几类挑出来:三个月以上没人动过的钩子注释里写着临时补丁绕过 XX 问题的逻辑当年为某个旧版本模型写的特殊处理工具池里上个月统计调用次数为 0 的工具这些就是嫌疑名单。第 2 步:一次只删一项挑一个嫌疑最大的(比如那个为 Sonnet 4.5 上下文焦虑写的补丁),只删它一个。别一次性大扫除——出问题你不知道是哪个引起的。第 3 步:跑一遍评测对比删之前跑一遍你常用的任务(修 bug、写测试、改文档等),把成功率、token、耗时记下来。删之后再跑一遍,对比。三项都没变差 → 删对了,提交。有一项变差了 → 看看是哪种任务挂了,决定是回滚还是改写。全都变好了(也常见) → 这段补丁早就是负资产了,删得太对。第 4 步:固化下来把为什么删删之前/之后的数据写进 commit message。下次模型再升级,你回头看这段历史就有判断依据。最重要的一条:装观测。你不敢删,本质是因为你看不见删了之后会发生什么。一旦每次跑完都有数据,删除就从赌博变成实验。3、三层境界层级能力说明第一层会增知道六大模块是什么,能往循环上挂东西。绝大多数人卡在这一层。第二层会调知道每个模块怎么调能让性能跳一档。Vercel 砍工具、LangChain 改上下文、Harvey 重做 RAG,都是第二层。第三层会删能判断哪段 Harness 已经过期,敢删,敢承担删错的风险。Anthropic 自己在这一层。Harness 工程能力强的人,不是写代码最多的人,是每次模型升级后删代码最果断的人。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、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。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
Harness 工程入门：小白也能学会的大模型用法，收藏学习必备！
本文介绍了大模型背后的 Harness 工程概念从提示词工程到上下文工程再到 Harness 工程的发展历程详细解释了 Harness 的组成和运作机制并通过实际案例展示了 Harness 对大模型性能的影响。最后文章提出了 Harness 工程的三层境界并强调了在模型升级后判断何时删除 Harness 代码的重要性。一、先说件怪事2026 年初,一大批人开始反馈 Claude 变笨了。代码写得乱、回答不如以前、问个简单问题都磨蹭半天。讨论声大到 Anthropic 出来解释。复盘出来,结论让人意外——模型一个字节没改。权重、参数、训练数据,全是原来那套。那改了什么?改了一个叫 Harness 的东西。大部分人是第一次听说这个词。但接下来你会看到,2026 年 AI 圈最重要的那个词,很可能就是它。二、它是怎么来的它不是凭空出现的。它是被三年的工程教训一步步逼出来的。1、2023:所有人都在琢磨怎么说ChatGPT 刚出来那一年,行业里最热的活儿叫提示词工程(prompt engineering)研究怎么把指令、角色、要求写进发给模型的那段文字里,让它输出更准确。“你是一位 XX 专家”“请一步步思考”“请按 JSON 格式输出”——这类话术满天飞。背后的逻辑很简单:模型很强,关键看你会不会问。但这个阶段很快就遇到瓶颈。同一个提示词,今天好用、明天就崩;问题换个说法,结果差十倍。仅靠怎么问撑不起一个真正能用的产品。但要说清楚提示词工程并没有过时。它只是不够了。后面每一层新东西内部都还在认真地怎么说——只不过这件事慢慢从人的手艺变成了系统自动打理的一个环节2、2024-2025:风向变了,大家开始琢磨给它看什么行业意识到,模型答得好不好,更多取决于它眼前看到了什么,而不是你怎么问。这一年出现了一批上下文工程(context engineering)的玩法研究怎么把外部资料、历史对话、相关代码片段动态组装进去,让模型每次都看到最相关的信息。把相关文档检索出来塞进对话(这就是 RAG,检索增强生成)、把代码片段挑给它看、把示例贴进提示词。同一个模型,喂得好就答得好,喂得乱就答得差。但这一层也有上限。它做的还只是准备好材料递给模型看一眼。文是单次的——模型看完答完就结束了。它不能上网、不能改文件、不能跑代码、不能记住你昨天说过的话。它只会看了然后答,不会看了然后做。3、2025下半年–2026:终于开始琢磨它怎么干活行业又问能不能让模型不只是答而是真的去做事第一波尝试是 AutoGPT、BabyAGI 这种早期 Agent 项目。给模型一个目标让它自己想自己干。结果一跑就乱、烧钱不办事——这不全怪他们那会儿模型本身还撑不起长链条的自主任务外面那层框架也太糙两头都没到位。第二波尝试是 LangChain 这类 Agent 框架——给开发者一堆积木让他们自己拼。能跑了但每家拼出来形状都不一样又脆又重。到这一步得正式请出一个词harness脚手架。它指的是模型外面那一整套东西让一次性的问答变成一个能干活的 agent 所需要的全部配件自己跑的行动循环、调用工具的接口、上下文和记忆的动态管理、权限控制、会话和文件状态、出错了怎么处理。到这儿前两层的去向就清楚了提示词工程、上下文工程都没消失它们被收进了 harness 里成了这套系统内部自动打理的两个模块。harness 不是第三种取代前两种的东西而是把前两层装进了一个会循环行动的框架。2025 年,Anthropic 推出了 Claude Code——它在终端里跑,能读你整个项目的代码、改文件、运行命令、跑测试、提交 PR,像个能自己干活的工程师。它不是给你积木让你拼,而是直接给你一辆装好的车,钥匙交到你手上,你只管开。那它凭什么比别人的拼装车跑得好答案全在 harness 上。有个很说明问题的数据同样一个 Opus 4.5 模型在 CORE 基准上套 Claude Code 的 harness 能拿 78 分换一套开源框架Smolagents只剩 42 分。模型一模一样差距全在外面那层。过去三年大家以为模型变强了其实真正拉开差距的是模型外面那一层有没有打磨好。2025 年下半年事情又往前走了一步。Claude Code 在 Anthropic 内部早就不只用来写代码了——做深度研究、剪视频、记笔记几乎所有主要的 agent 流程都在它上面跑。于是 Anthropic 干脆承认驱动 Claude Code 的这套引擎根本不是编码工具而是个通用的 agent 底座。 他们把它单独拆出来把原本的 Claude Code SDK 改名为 Claude Agent SDK。这一拆定位就清楚了你不用再自己拼积木也不必整辆车照搬而是拿到那台验证过的引擎装进自己的应用里再针对自己的任务去定制外面那层 harness。业界给这套打法起了个名字——Harness as a Service。4、一句话概括这三年第一阶段管说——提示词工程第二阶段管看——上下文工程第三阶段管做——Harness 工程每一阶段不是推翻前一阶段,而是把前一阶段包进来。Harness 里依然有提示词、有上下文管理,但它管的是一整套模型怎么在真实世界里循环干活的事。三、Harness 到底是什么讲到这里,我们可以正式说 Harness 了。1、三个东西的关系:Agent Model Harness先把三个核心概念理清楚:大模型(比如 Claude Sonnet 4.5):一个只会输入文字、输出文字的引擎。本身不能读文件、不能跑命令、不能记事。Harness:包在大模型外面的一整套工程代码。它负责把大模型变得能在真实世界里干活——给它配工具、管它的记忆、决定它每次看到什么、检查它能不能放行某个动作。Agent:能在真实世界里干活的智能体。它 大模型 Harness。这个等式写出来就是行业里那条最基础的公式:Agent Model Harness举个具体的:Claude Code Claude 模型 一个非常成熟的 Harness(这个 Harness 现在被 Anthropic 独立出来叫 Claude Agent SDK)。Cursor 某个底层模型 Cursor 自家的 Harness。Devin 某个底层模型 Devin 自家的 Harness。模型大家都能调用 API,真正决定一个 Agent 强不强的,是它的 Harness。2、Harness 的分类行业里目前的 Harness 大致按两个维度分。按部署形态分:本地 Harness:跑在你机器上,比如 Claude Code、Cursor、Aider。优点是延迟低、数据不出本机;缺点是要你自己维护环境。托管 Harness:跑在云上,比如 Anthropic Managed Agents、Devin。优点是开箱即用,可以长跑;缺点是数据要交出去。嵌入式 Harness:嵌进别的产品里,比如 VS Code 里的各种 AI 插件、浏览器扩展。按用途分:编码 Agent:Claude Code、Cursor、Devin。Harness 围绕读代码、改代码、跑测试建。通用 Agent SDK:Claude Agent SDK、OpenAI Assistants API。给你一个通用底座,你自己接业务。垂直 Agent:Harvey(法律)、Glean(企业搜索)、Hebbia(金融)。Harness 重度定制到某个行业。这篇文章后面讲的所有原理,三类都适用。3、机制很多,循环一个shareAI-lab 的开源教学项目 learn-claude-code 把 Claude Code 拆成 20 个最小可运行的示例。最后它用一句话总结了整套架构——机制很多,循环一个。这句话不是 Anthropic 官方的提法,但它准确戳中了 Claude Code 这类 Agent 内部的设计原则。我们沿用它来理解 Harness。3.1、先讲循环一个你看到的 Claude Code 那么多能力——读文件、跑命令、调工具、记住你说过的话、几个 Agent 协作、定时任务、后台执行——表面上像是无数个独立功能堆出来的。但骨子里,所有功能都挂在同一个循环上。这循环只有 5 行代码:while True: response LLM(messages, tools) # 让模型基于历史说话 if not has_tool_use(response): # 模型没要求调工具?结束 return results execute_tools(response) # 模型要调工具?执行 messages.append(results) # 结果塞回去,再来一轮翻译成人话:模型说话 → 看它要不要调工具 → 调了 → 结果塞回去 → 模型再说话 → …… 直到模型说我说完了为止。Claude Code、ChatGPT 的 Agent 模式、Cursor,骨子里都是这一个循环。区别只在于循环外面挂了多少东西。这一个循环,就是 Agent 的心跳。下文出现循环和心跳,指的都是这同一件事。3.2、走一遍真实过程光看代码没感觉。我们用一个真实场景从头到尾跑一遍——你跟 Claude Code 说:“帮我看一下桌面上有什么文件,然后把所有 PDF 移到 Documents/PDFs 里去。”第 0 步:你按下回车之前Claude Code 已经在一个 while True 循环里跑着。它脑子里有两样东西:messages[]:从对话开始到现在所有的来回一个工具池:内置工具(27 个,包括读写文件、跑命令等) 可能动态接入的外部工具第 1 步:用户输入预处理(input preprocessing)你输入的那句话,先被 UserPromptSubmit 钩子处理一遍——做安全审计、记日志、必要时改写。然后追加到 messages[] 末尾。钩子(hook)是 Harness 在关键时刻插的扩展点,可以让你在不改主流程的前提下加上自己的逻辑(审计、拦截、改写)。第 2 步:上下文组装(context assembly)进入LLM 前处理环节。这一步要按顺序干 4 件事:① 定时事件检查(cron polling):有没有定时任务到点了?这次对话没设定时任务,跳过。② 后台事件检查(background notification):有没有后台任务跑完了?没有,跳过。③ 上下文压缩(compaction):当前 messages[] 是否过长?没到上限。如果到了,这里会把旧消息压成摘要,省出空间。④ 系统提示组装(system prompt assembly):拼上你是 Claude Code,知识截止 2026 年 1 月……这种身份说明拼上技能目录(已注册的各种 skill 的简介)拼上记忆(如果有的话)拼上已连接的外部服务器列表这一步整个 Harness 在做的事是:把模型这一轮需要看到的所有信息准备好。第 3 步:模型推理(model inference)把 messages[] 系统提示 工具池定义全部打包,发给 Claude 模型本体。模型在这一步做意图识别(intent recognition):它要判断用户到底想干嘛、自己该直接回答还是该调工具。这一次它判断:“用户要我先看桌面、再移动 PDF。我得先调一下 bash 看看。”模型返回内容里带了一个 tool_use 块:调用 bash,命令是 ls ~/Desktop。第 4 步:意图分发(intent dispatch)Harness 解析模型的返回,判断 stop_reasontool_use? → 是。继续。第 5 步:工具前闸门(pre-tool gate)进入安检环节。PreToolUse 钩子触发:日志钩子先记一笔权限管线(permission pipeline)检查:ls ~/Desktop 是只读命令,安全,放行如果模型给的命令是 rm -rf ~/Desktop,权限会拦截,闸门直接返回拒绝第 6 步:工具执行(tool execution)bash 是内置工具,由内置执行器(handler)执行。注意这里有一个分支:should_run_background?如果命令很慢(比如 npm install),后台机制会启动一个独立线程,主循环立刻拿到一个占位结果:“任务已在后台运行,IDxxx”ls 很快,不走后台,同步执行完成第 7 步:工具后处理(post-tool processing)工具跑完了,PostToolUse 钩子触发——比如检查输出是不是太大、要不要截断。第 8 步:结果回写(result append)把执行结果包装成 tool_result 块,追加到 messages[] 末尾。第 9 步:进入下一轮循环模型这次看到的 messages[] 里多了用户要看桌面 我调了 bash 桌面有这些文件。它继续判断:“桌面有 3 个 PDF,我得用 mv 命令把它们移走。” 又返回一个 tool_use。第二轮 → 第三轮 → ……直到模型看到全部移动完成,生成一段总结回复,这次没有 tool_use 了。循环触发 Stop 钩子收尾,结束循环,把回复给你看。这一整段过程里,大模型和 Harness 分别在做什么?看清楚这个,就理解 Harness 了。大模型从头到尾只做一件事:基于眼前的对话历史,吐下一段话(要么是回答,要么是我要调这个工具)。它不读文件、不跑命令、不记事、不审计。它只会看了然后说。Harness 在做的事多得多:上下文组装:决定模型这一轮看到什么意图分发:解析模型的输出,看它要不要调工具权限管线:在工具执行前检查、跑钩子工具执行:真的去执行那个工具(读文件、跑命令、调外部接口)结果回写:把结果塞回对话历史循环控制:决定要不要进入下一轮,还是收尾退出模型负责想和说,Harness 负责听“做”“记”“管”。 一个 Agent 之所以能干活,是因为这两边在那一个循环里反复配合。如果一句话不需要工具,循环跑 1 次就结束。如果是看下桌面然后整理一下 PDF,可能跑 5–6 次。3.3、那机制很多是啥意思回到那张架构图。这张图是 learn-claude-code 项目里把 Claude Code 完整版的内部架构画出来的。看着复杂,其实就两块。上半部分——蓝色大框里那一排,就是循环本身从左到右五个方框,对应循环的五步:messages[]:对话历史。一切的起点和终点。LLM 前处理(绿色):把模型这一轮要看到的东西全部准备好。包括定时事件/后台事件的注入、消息压缩、系统提示组装。LLM:真的调用模型。看它有没有要求调工具。工具前闸门(橙色):模型说要调工具,但能不能调先过安检。钩子看一眼(打日志、审计),权限管线看一眼(“你想 rm -rf?不行!”)。执行器(handlers):闸门过了,真的执行。内置工具自己执行,外部工具(通过 MCP 协议接入的)转发出去。执行完,结果绕回 messages[],进入下一轮。这就是底部那条回路虚线。下半部分——四个彩色方框,是挂在循环上的四类外挂这是整张图最聪明的设计。它把 Claude Code 所有能力按职责分成四类,每一类用虚线指向我挂在循环的哪一步。绿色「上下文与知识」 → 挂在【LLM 前处理】。决定模型每一轮看到什么。技能目录、相关记忆、提示组装、长对话压缩,都在这里。橙色「治理与扩展点」 → 挂在【工具前闸门】。决定模型能不能做某事。权限、钩子、出错重试、停止条件,都在这里。紫色「持久工作」 → 也挂在【工具前闸门】。因为待办、任务图、后台任务4.2. 工具调度(tool orchestration)是什么:决定模型能调什么、谁去执行。维护工具池,解析意图分发到对应执行器。子机制:tool pool(工具池)、intent dispatch(意图分发)、MCP 接入、handlers(执行器)开发者怎么写:在 .mcp.json 接入 MCP 服务器、写自定义 skill、注册自定义 handler使用者怎么调:用 /permissions 启用/禁用工具;用 skills 给 Agent 加垂直能力;通过 .mcp.json 一键接入外部服务(比如数据库、文档站)4.3. 权限与治理(permissions governance)是什么:决定哪些动作能放行。在工具执行前过钩子、过权限管线、过安全策略。子机制:PreToolUse hook、permission pipeline(权限管线)、PostToolUse hook、Stop hook开发者怎么写:在 settings.json 的 hooks 字段写钩子脚本(Node/Python/Shell 都行);自定义权限策略使用者怎么调:在 settings.json 的 permissions 字段设白名单/黑名单;切换 plan / auto / strict 三种执行模式;通过 --allow-tool 一次性放行4.4. 错误恢复(error recovery)是什么:模型/工具出错时怎么重试、降级。包括 API 限流、超长退避、备用模型切换。子机制:retry/backoff(指数退避)、fallback model(备用模型)、reactive compact(反应式压缩)、429/529 处理开发者怎么写:在 SDK 里捕获 RateLimitError 切换模型;自定义 retry 策略使用者怎么调:在 settings.json 配 fallbackModel;遇 token 超限用 /clear 或 /compact;超时调高 --timeout4.5. 持久工作(durable work)是什么:跨对话、跨时间的活儿怎么记、怎么续。包括待办、任务图、后台任务、定时调度。子机制:todo_write(待办)、task graph(任务图)、background(后台执行)、cron scheduler(定时调度)开发者怎么写:调用 schedule_cron 注册定时任务;用 task graph API 编排跨会话任务;长命令加 run_in_background: true使用者怎么调:用 /loop 命令让任务自动重复跑;让 Agent 主动 todo_write 拆分长任务;后台命令加 不阻塞主循环4.6. 可观测性(observability)是什么:所有动作能不能被记录、被审计。日志、链路追踪、token/成本统计、回放。子机制:trace log(链路日志)、token accounting(token 计量)、UserPromptSubmit hook(输入日志)、audit trail(审计跟踪)开发者怎么写:在 PostToolUse 钩子里写日志;接入 LangSmith / Helicone 做链路追踪;自定义 metrics 上报使用者怎么调:用 /cost 看本次会话开销;启用 --verbose 打印循环细节;查 ~/.claude/logs/ 复盘历史调用这六块加起来,就是把只会接话的模型变成能在你电脑上干活的同事的全部机制。而它们共同的骨架,永远是那 5 行 while True。5、多 Agent 协作一个 Harness 内的两种范式讲完单 Agent 的 Harness,还得讲一种越来越主流的设计:多 Agent 协作。一个 Harness 里跑多个 Agent,行业里有两种典型范式。5.1、范式 A:单机内多 Agent 协作(Claude Code 的实现)主 Agent 接你的指令,可以拉队友一起干。具体机制:spawn_teammate:主 Agent 决定要拉一个队友,调一个工具就能起来一个新的子 Agent。新队友有自己独立的 messages[] 和 while True,但和主 Agent 共享文件系统。send_message / check_inbox:队友之间通过消息总线沟通。A 干完一段活儿,发条消息给 B;B 在自己的循环里 check_inbox,看到消息就接着干。worktree 隔离:每个队友占一个独立的 git worktree(独立目录 独立分支),A 改后端、B 改前端,互不打架。request_plan / review_plan:可以要求队友先交方案,主 Agent 看过批准了再让对方动手。这一套适合横向并行——一个大需求拆成几条线,几个队友同时推。5.2、范式 B:分工流程的三 Agent 设计(Anthropic 官方)Anthropic 自己在 2026 年 4 月发布了一个长任务三 Agent 范式,把做事和判断做得好不好分给不同的 Agent。Planner Agent(规划):把大任务拆成子任务,规划执行顺序,输出结构化交接产物。Generator Agent(执行):按计划真正去做事——写代码、改文件、跑测试。Evaluator Agent(评估):独立打分(质量、原创性、完成度),不通过就打回去重做。这一套解决三个长期痛点:上下文丢失:通过结构化交接产物 context reset,让长任务能跨阶段接力。任务过早终止:单次会话最长 4 小时、5–15 轮迭代,把快速试错换成慢工细活。自评虚高:让模型自己评自己,几乎一定虚高;把评估单独拎给一个 Agent,立刻客观。这一套适合纵向迭代——一个长任务反复打磨,直到评估方点头5.3、两种范式什么时候用需求能拆成多条独立子任务 → 用 A(横向并行)单个任务复杂、需要反复打磨 → 用 B(纵向迭代)既要拆又要打磨 → A B 嵌套(主 Agent 用 A 拉队友,每个队友内部用 B 的三角色循环)四、同样的 Claude,凭啥有人 78% 有人 42%地基打牢了,看数据。行业里一个公开的事实是同样的 Claude 模型,不同团队用,性能能差一倍。三个案例。1、案例一:Vercel 把工具砍掉 80%,成功率反而涨到 100%Vercel 是做云部署的那家公司。他们做了一个 Agent 来自动化部署任务。一开始想法很朴素——工具越多 Agent 越聪明。所以装了一大堆:读文件、写文件、搜代码、跑命令、查文档、调 API……跑出来发现一个怪现象:模型常常挑错工具。明明能直接写文件,它非要先搜一遍;明明能一步搞定,它拆成五步。为什么?回到刚才那张图,每一轮模型说话之前,Harness 都要把模型可以调的工具列表喂进去。工具越多,这列表越长。模型每次得从一长串里挑一个用——挑错的概率自然上升。Vercel 做了一件反直觉的事——把工具池从一大堆砍到只剩最核心的几个。结果:✅成功率从 80% 涨到 100%token 用量 砍一半响应时间从 12 分钟掉到 2 分钟对模型来说,工具越少反而越聪明。少是一种能力。2、案例二:LangChain 模型没换,光改上下文就跳了一档LangChain 是最早做 Agent 框架的公司之一。他们想在 Terminal Bench 2.0 上拿高分。这是个公开评测,专门测 Agent 能不能在终端里完成真实的编程任务。第一版跑出来排第 30 名,得分 52.8%。他们没去换模型——业界用的都是同一批模型,换了也没用。他们去研究模型为什么会出错。发现绝大多数错误的根源是上下文管理。回到那张图,绿色LLM 前处理框——每一轮模型说话之前,Harness 要决定塞什么进它眼前。塞太多它处理不过来,塞太少它信息不够。第一版的策略太粗。该看到的没看到,不该看到的塞了一堆。模型在噪音里挑信号,自然挑错。他们重新设计了这套策略——怎么组装、怎么压缩、怎么淘汰。结果:✅得分从 52.8% 跳到 66.5%排名从第 30 挤进 前 5模型没动一根头发。3、案例三:Harvey 重做找资料那一块,准确率直接翻倍Harvey 是给律师用的 AI。律师评测发现它回答法律问题准确率不够高。他们排查了很久,结论挺反直觉——模型本身没问题。同样的问题,如果你手动整理好资料再问,模型答得很好。问题出在 Harness 里找资料 塞资料那一块(行业里叫 RAG 流水线)。法律数据库巨大,每次模型要回答一个问题,Harness 得从里面挑几条相关的法条或案例塞给模型。挑错了或挑不全,模型就只能猜——再聪明的模型也救不回来。他们重做了这一块。结果:律师评估的准确率直接翻倍。4、落到你身上这三家公司没换模型,没多花 token 钱。他们换的是车。如果你也用过 Claude 觉得也就那样——大概率不是模型选错了,而是你压根没有 Harness,或者那个 Harness 太烂。五、然后剧情反转了——Anthropic 自己在删 Harness到这里你应该已经接受了Harness 很重要这件事。现在给你一个反转。你打开任何一个 AI 公众号,最近半年都在教你怎么建 Harness。十二大模块、六层架构、完整指南。然后你打开 Anthropic 自己的工程博客,他们在说一句完全相反的话——把你那些 Harness 删掉。引爆的判断是这句:我们当初为 Claude 3 建的脚手架,正在变成 Claude 4 的牢笼。为什么?回到前面那个定义——Harness 本质是给模型补短板。你建一个工具,是因为模型自己干不了那件事;你写一段压缩逻辑,是因为模型看不下那么长。但模型一直在升级。它的短板在变少。你三个月前为模型当时干不了 X写的那段补丁,三个月后模型自己能干 X 了。但补丁还在那里跑——它不仅没用,还在替模型干它本来能干得更好的事。讲一个真实例子,你就明白了。回到那张图,模型每一轮能看的文字是有上限的,专业术语叫上下文窗口(context window)。Claude Sonnet 4.5 有个毛病——聊到一半,眼看自己快看不下了,会提前慌张结束任务。Anthropic 自己给这毛病起了个名叫上下文焦虑(context anxiety)。他们给 Harness 打了个补丁:每次接近上限时,主动帮模型清掉一部分历史、重置对话状态。半年后 Opus 4.5 出来。这毛病自己没了——新模型对长对话不焦虑了。但那个补丁还在 Harness 里跑。新模型本来能跑得很顺,结果被旧补丁强行打断、清记忆、重置。补丁反过来变成了拖累。这就是为什么 2026 年初一批用户突然觉得Claude 变笨了——他们感觉到的不是模型变笨,是 Harness 里那一堆早该删掉的补丁在拖后腿。所以 Anthropic 在做的事是:删。落下来一句话——Harness 工程的真正高阶能力,不是建,是判断什么时候该删。六、那你怎么办——Harness 怎么增、怎么删光看 Anthropic 在删,自己不会动也没用。这一段先说一件最重要的事:Harness 不是AI 黑盒,是你能直接动手改的代码。每一段权限、每一条规则、每一个工具,都是写在配置文件或代码里的。能加,能改,能删。下面分别讲怎么增、怎么删,以及怎么不删错1、怎么增一段 Harness(4 步)假设你在用 Claude Code,发现它经常做一件危险事——比如时不时执行 git push --force,你想拦下来。第 1 步:定位问题挂在循环的哪一步回到那张图。你的问题是工具执行前要拦截,对应的是工具前闸门那一步。所以这是一个钩子(hook)问题,不是上下文问题,也不是工具池问题。第 2 步:选择最小改动能用配置解决,就不要写代码。Claude Code 提供了 ~/.claude/settings.json,里面可以配 PreToolUse 钩子。一段 JSON 就能搞定,不用动主流程。第 3 步:写一段拦截逻辑在 settings.json 里加:{ hooks: { PreToolUse: [ { match: bash, command: node ~/.claude/hooks/block-force-push.js } ] } }然后写一个 30 行的 block-force-push.js:读取要执行的命令,匹配到 git push --force 或 -f 就返回拒绝。第 4 步:观测一段时间跑一周,看日志里:拦截触发了几次?拦对了吗?有没有误拦?(比如把正常的 git push origin force-branch 误判)有没有让模型卡死?(被拒后它能不能换个方式继续)观测正常,留下;不正常,调一下匹配规则。核心原则:从循环找位置 → 用最小改动 → 装观测 → 看数据。 不要一上来就写一大套框架。2、怎么删一段 Harness(4 步)删比增难,因为你不知道删了会不会塌。但有套路。第 1 步:列出嫌疑名单打开你的 Harness 配置和代码,把以下几类挑出来:三个月以上没人动过的钩子注释里写着临时补丁绕过 XX 问题的逻辑当年为某个旧版本模型写的特殊处理工具池里上个月统计调用次数为 0 的工具这些就是嫌疑名单。第 2 步:一次只删一项挑一个嫌疑最大的(比如那个为 Sonnet 4.5 上下文焦虑写的补丁),只删它一个。别一次性大扫除——出问题你不知道是哪个引起的。第 3 步:跑一遍评测对比删之前跑一遍你常用的任务(修 bug、写测试、改文档等),把成功率、token、耗时记下来。删之后再跑一遍,对比。三项都没变差 → 删对了,提交。有一项变差了 → 看看是哪种任务挂了,决定是回滚还是改写。全都变好了(也常见) → 这段补丁早就是负资产了,删得太对。第 4 步:固化下来把为什么删删之前/之后的数据写进 commit message。下次模型再升级,你回头看这段历史就有判断依据。最重要的一条:装观测。你不敢删,本质是因为你看不见删了之后会发生什么。一旦每次跑完都有数据,删除就从赌博变成实验。3、三层境界层级能力说明第一层会增知道六大模块是什么,能往循环上挂东西。绝大多数人卡在这一层。第二层会调知道每个模块怎么调能让性能跳一档。Vercel 砍工具、LangChain 改上下文、Harvey 重做 RAG,都是第二层。第三层会删能判断哪段 Harness 已经过期,敢删,敢承担删错的风险。Anthropic 自己在这一层。Harness 工程能力强的人,不是写代码最多的人,是每次模型升级后删代码最果断的人。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、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。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
