type
Post
status
Draft
date
Apr 3, 2026
slug
summary
tags
category
icon
password
Harness Engineering
核心定位：AI工程领域继Prompt Engineering、Context Engineering后的第三次重心迁移，是决定AI Agent在真实场景稳定落地、交付的核心系统，模型决定AI系统上限，Harness决定落地可行性。
核心目标：让AI模型在长链路、低容错的真实执行中不跑偏、跑得稳，出错后能及时拉回并恢复。
一、AI工程三次重心迁移（层层包含）
工程类型 | 核心解决问题 | 本质 | 核心局限/特点 |
Prompt Engineering | 模型能否听懂指令 | 塑造局部概率空间，对指令工程化 | 仅解决表达问题，无法弥补知识缺失、处理动态信息、管理长链路状态 |
Context Engineering | 模型能否获取足够且正确的信息 | 按需供给信息，对输入环境工程化 | 需解决信息稀缺性问题，核心是“分层、按需、适时”供给 |
Harness Engineering | 模型能否在真实场景持续做对事 | 驾驭模型执行全流程，对整体运行系统工程化 | 包含前两者，聚焦执行过程的监督、约束、纠偏，是真实场景的必备能力 |
通俗类比（客户拜访任务）：
- Prompt：讲清拜访步骤（寒暄→介绍方案→提需求→确认下一步）
- Context：准备齐全资料（客户背景、报价、竞品情况、会议目标）
- Harness：建立全流程机制（带检查清单、关键节点汇报、会后核实、偏差及时纠正、结果验收）
二、Harness 核心定义
- 本义：缰绳、约束装置，在AI中是模型外驾驭执行全流程的整套运行系统；
- 官方定义（LUNCHA工程师）：Agent=Model+Harness，即Harness=Agent-Model，是除模型外决定AI系统稳定交付的所有要素。
三、成熟Harness的六层核心构成
- 上下文管理：把控模型思考边界，做好角色目标定义、信息裁剪选择、信息结构化组织，避免模型漏重点、忘约束；
- 工具系统：解决工具配置（不多不少）、调用时机（该查才查）、结果回传（提炼筛选后喂回）问题，让模型对接真实世界；
- 执行编排：规划任务执行轨道（理解目标→补全信息→分析→生成→检查→修正），让模型有序串联步骤，避免半成品输出；
- 记忆和状态：区分并管理当前任务状态、会话中间结果、长期记忆/用户偏好，避免系统混乱，让Agent具备持续工作能力；
- 评估和观测：实现输出验证、自动测试、日志指标监控、错误归因，让系统“知道自己做得好不好”，避免自我感觉良好；
- 约束校验&失败恢复：明确行为约束（能做/不能做）、结果校验规则，设计失败后重试、切入口、回滚机制，应对真实场景的常态性失败。
四、一线公司核心实践案例
1. Anthropic（安索普）
- 解决长任务上下文过载：采用Context Reset，不压缩原有上下文，直接更换干净Agent并恢复状态，避免模型丢细节、急收尾；
- 解决模型自评失真：拆分角色实现生产与验收分离，planner拆需求为规格、generator逐步实现、evaluator模拟真实操作验收，形成生成-检查-修复-再检查的有效循环。
2. OpenAI
- 重新定义工程师工作：人类无需写代码，专注拆解任务、补充环境能力、建立反馈链路；
- 信息供给：采用渐进式披露，将大文档拆为目录+子文档，模型按需钻取，避免上下文资源浪费；
- 自验证能力：让Agent接入浏览器、日志/指标系统，独立隔离环境运行，实现自主截图、模拟操作、查日志、修Bug、验证结果；
- 自动治理系统：将资深工程师经验写成系统规则（模块分层、依赖限制、问题修复方法），规则不仅报错，还将修复方法反馈给模型，形成可持续循环。
五、核心结论
- 三者非替代关系，而是边界逐层扩大的包含关系，适配不同任务场景：单轮生成靠Prompt，依赖外部信息靠Context，长链路低容错真实场景必须靠Harness；
- AI落地核心挑战迁移：从“让模型看起来更聪明”，转向“让模型在真实世界里稳定工作”；
- 同款模型效果差异的核心原因：并非模型、提示词或参数，而是模型外的Harness系统设计。
📎 参考文章
- 一些引用
- 引用文章
欢迎您在底部评论区留言，一起交流~
Loading...
