Agent已進入Harness驅動時代
（本文作者爲 霞光AI實驗室，鈦媒體經授權發佈）
文 | 霞光AI實驗室
近日，AI技術圈一個熱議的話題是，Anthropic公司意外暴露了旗下AI編程工具Claude Code的完整源代碼，代碼數量超過51.2萬行。這些泄露的代碼雖未展示了顛覆性新算法，卻完整暴露了頭部廠商的Agent工程實踐。
4月10日，Pokee.ai創始人朱哲清做客由錦秋基金髮起的「Deep Talk with Builders」的線上閉門，分享了「從Claude Code的泄漏看Harness Engineering和當下Post-training」的話題。
他認爲，Anthropic這套架構高度適配Claude模型，而直接遷移到其他模型效果會顯著下降，但其Harness設計思想、組件化結構、與後訓練（Post-training）深度綁定的思路，對自研Agent具有極強的借鑑價值。
過去三年，大模型從單純API能力，進化爲產品核心模塊；行業也從「模型外殼公司」，走向Harness驅動的複雜Agent系統——模型不再是唯一核心，工具調用、執行環境、上下文管理、驗證機制共同決定最終效果。
Harness是什麼？它直譯是馬具，繮繩。如果說大模型是一匹蓄勢待發的烈馬，Harness就是人類牽引、駕馭這匹烈馬的繮繩。隨着人工智能正式進入Harness驅動的時代，對於使用者來說，真正稀缺的能力，不在模型裏面，在模型外面——如何找到一副趁手的繮繩，以及駕駛者心中清晰準確的目的地。
本文基於朱哲清的分享內容，經AI總結梳理，並人工校對，力求呈現這次分享的精華內容。
Harness可理解爲驅動模型的整套工程架構，它的核心作用是把模型能力最大化，而非單純輸出tokens。Claude Code的Harness清晰拆解爲六大核心組件：
1. 多層級System Prompt（系統提示）
現代System Prompt已遠不止「你是一個有用的助手」，而是超大規模、分層、可緩存的複雜指令集：
固定緩存部分：包含Agent身份、Co指令、工具定義、語氣規範、安全策略，大小可達十幾萬token，任何改動都會失效緩存、大幅增加成本與耗時；
動態可替換部分：會話狀態、當前時間、可讀取文件、代碼包依賴等，隨任務靈活切換；
工程實踐：通過A/B test對不同用戶微調Prompt，精準優化任務完成率、降低錯誤率。
對比來看，Claude Code的架構更簡潔，模型注意力負擔更低、幻覺更少；而OpenAI相關架構更復雜，需讀取大量文件，易引發記憶幻覺。
2. Tool Schema（工具規範）
工具定義直接決定調用準確率，核心設計要點：
內置核心工具：文件讀寫/編輯、Bash、Web批處理等基礎工具在模型訓練階段就完成適配，推理時無需額外提供工具描述；
權限與安全：企業級場景拒絕第三方無權限校驗的工具，避免惡意操作；
並行工具調用：可提升執行速度，但後訓練難度極高——並行調用無先後依賴，訓練時易出現時序錯位，Reward信號難以對齊。
3. Tool Call Loop（工具調用循環）
這是Harness最核心部分，也是訓練與推理一體化的關鍵：
規劃模式（Plan Mode）：長鏈路任務先理解任務、梳理文件系統、明確可用工具，生成執行方案，再進入執行；避免盲目試錯（如反覆調用不可用搜索引擎）、減少無效token消耗；
執行模式（Execute Mode）：在沙盒（Sandbox）中按規劃執行工具，獲取結果閉環；
核心價值：消除長鏈路執行中的中間錯誤，降低重試成本，但也讓規劃能力的訓練更難——規劃好壞的Reward信號易被執行環節噪聲干擾。
4. Context Manager（上下文管理器）
解決百萬級token上下文的高效利用問題：
採用指針索引式Memory：不直接存儲完整內容，僅記錄文件指針與主題標籤；
後臺自動合併、去重、關聯文件；
現狀：仍處於啓發式階段，無法完美解決多文件跨鏈路推理問題（如關聯文件被遺漏），暫無端到端最優解。
5. Sub Agent（子智能體）
主流多智能體協作缺乏理論保障：無共享目標、無通用訓練算法，只能「各自訓練、隨緣配合」。
而主-子Agent架構本質是分層強化學習：
主Agent爲子Agent定義子任務（Option），子任務終結狀態作爲主Agent下一步起點；
共享KV Cache與輸入上下文，子Agent執行後僅追加結果，不額外增加token消耗，成本遠低於串行執行；
典型落地：字節ContextFormer等工作思路與此高度一致。
6. Verification Hooks（驗證鉤子）
解決模型「自我美化、虛報完成」的問題：
強模型存在自我偏好，自評準確率遠高於互評，易主動「說謊」而非單純幻覺；
工程方案：引入後臺分類器，只看工具執行結果、忽略模型生成文本，脫離生成偏差做客觀校驗；
作用：無需完全可驗證的Reward，即可實現輕量化、優雅的執行結果校驗。
傳統RL（強化學習）訓練環境與推理環境嚴重割裂，而Harness實現了訓練-生產環境的一體化：工具調用序列=軌跡步，測試運行與分類閘門=Reward信號，用戶任務=完整Episode。
圍繞上述六大組件，Post-training（後訓練）形成六大核心方向：
1. System Prompt（系統提示詞）驅動行爲對齊
System Prompt 會明確任務目標、Token 預算與可用工具策略，從而大幅約束模型的行爲空間，讓強化學習只需在限定範圍內學習最優執行模式。我們可以基於 System Prompt 中的規則設計評分體系，讓模型在更乾淨、更少分支的軌跡下進行近似端到端訓練，穩定輸出符合預期的行爲。
2. 長鏈路工具調用端到端訓練
拋棄傳統「單步快照式訓練」，改爲完整軌跡訓練：
記錄每一步執行結果，獲取過程Reward與最終任務Reward；
聚焦長鏈路穩定性，保證幾百步工具調用的整體準確率，而非僅單步調用正確。
3. Plan-Execute一體化訓練
Harness消除規劃與執行間的噪聲：
預先鎖定規劃中的工具鏈路，無額外人工干預層；
執行結果由分類閘門客觀校驗，規劃的Reward信號更清晰；
實現規劃能力可訓練，避免「只執行、不規劃」的粗放模式。
4. Memory Compression專項訓練
將上下文壓縮作爲獨立任務：上游模型輸出壓縮記憶，下游任務執行效果作爲校驗標準；目標是保留核心信息，不影響下游任務成功率。
5. 子Agent協同編排訓練
針對超長輸出（代碼/文檔百萬token場景）：
主Agent不直接生成內容，而是編排子Agent，分配任務與Prompt；
子Agent並行執行後合併結果，主Agent做校驗；
依賴Harness實現底層進程控制，避免讀寫衝突與執行失敗。
6. 多目標聯合強化學習
現代RL pipeline大幅延長，需同時優化六大模塊：
工具調用無幻覺、分類校驗準確、上下文壓縮有效、多Agent無掣肘、規劃合理、驗證可信；
行業從算法收斂走向百花齊放，各環節需專屬訓練算法，多目標融合成爲核心難題。
首先是人才需求的轉變。Prompt Engineering已不再是獨立核心，做好Harness可完成70%工作。因此，兼具AI理解、後端工程、基礎設施能力的複合型人才將會更受歡迎，而純Prompt工程師競爭力則會大幅下降。
其次是市場格局的重構。在模型廠商與垂直領域企業擠壓下，中間「模型外殼公司」，僅剩兩條可行路徑，要麼擁有頂尖模型與基礎設施能力，要麼在垂直領域獨有數據/經驗壁壘（如高頻交易、行業專屬知識）。
第三，真正的Agent落地正走向私有化、高安全、端到端一體化。對於企業來說，優先複用成熟Harness設計，結合垂直場景做定製化，聚焦安全與私有化落地，才能實現Agent真正規模化商用。
Claude Code泄露的核心價值，不在於代碼本身，而在於揭示了Agent已進入Harness驅動時代。模型能力只是基礎，工程架構、執行環境、多智能體協同、驗證機制才是決定上限的關鍵。
風險及免責聲明：以上內容僅代表作者個人觀點，不代表富途任何立場，亦不構成任何投資建議，富途對此不作任何保證與承諾。更多信息
評論
發表評論