Google关于Harness Engineering的综述pdf2026年AI工程的核心公式：Agent = Model + Harness。
一份汇总了 Google、OpenAI、Anthropic、LangChain 和 Cursor 工程师实践的综合文档揭示了为什么 95% 的企业 AI Agent 不能成功上线——不是模型不够强，而是缺了一个叫「harness engineering」的东西。
1. 从 Prompt 到 Context 再到 Harness，三段式的进化
2023 到 2024 年在优化 prompt：措辞、例子、思维链。2025 年在设计上下文系统：RAG、MCP、记忆、检索。到了 2026 年初，从业者汇聚到了一个更高层级的方法——Harness Engineering。
每个阶段都包含了前一个阶段的要点。一个 harness 包含上下文管道和 prompt，同时还包含验证机制、权限控制、可观测性和状态持久化。Prompt engineering 决定模型说什么，context engineering 决定模型看到什么，而 harness engineering 决定模型能做什么、失败后发生什么、什么叫成功完成。
2.换 harness 比换模型带来的提升更大
1）把 Claude Sonnet 4.5 放到 GAIA 基准上测试，最小 harness 下得分 30.91%，升级生产级 harness 后得分为 74.55%。同样的模型，纯靠换 harness 提升了 43.64 分——比大多数相邻代际的模型升级带来的差距还要大。
2）LangChain 团队把编码 Agent 在 Terminal Bench 上的排名从第 30 位提升到第 5 位，没有更换模型。提升完全来自 harness 优化：更好的 guide 规则、更紧密的传感器循环、改进了错误恢复和工具配置。
3）安全研究员在一个下午改了 16 个不同 LLM 的工具调用格式和编辑方式，几乎所有模型的分数都有改善。没有微调、没有重训、没有替换模型。
保持模型固定，只换 harness——这个变量就能产生堪比模型升级的效果。
3.六层架构：构成完整 harness 的基础设施
一个无人值守运行的 Agent，最少需要六层结构。每一层解决一个特定的问题。
第一层是 Guides（引导），即执行前的前置控制。核心文件是 AGENTS.md、CLAUDE.md、.cursorrules。每一行代表一次过去失败的修复方案。Mitchell Hashimoto 的做法是把 Agent 犯错的每一个 case 逐行写入 guide，每个 entry 对应一个具体的错误。Guide 应该包含可执行的行动和可观察的标准，而不是口号——用 lint 命令和测试命令代替「写好代码」这种空话。
这里有一个关键概念叫棘轮原理：每次出错后，永久改进系统。流程是六个步骤——Agent 犯错、归类失败类型、确定最强修复层级（guide、sensor、tool 或 permission）、编码修复、验证防复发、监控回归。prompt 补丁只能修一次对话，guide 规则可以防止每一次未来的运行。
第二层是 Sensors（传感器），即执行后的反馈控制。传感器的经济账很清楚：计算型传感器（linter、类型检查器、单元测试）每次运行成本几乎为零，返回确定性结果；推理型传感器（LLM as judge）成本高、结果不确定。原则是先用计算型传感器，覆盖不了的再考虑推理型。
最强的 harness 模式是 self-verification：Agent 每次操作后自动跑预定义测试套件，失败了拿错误信息继续修正。这不是模型自我评判质量，而是模型执行外部确定性检查并根据结果行动。
第三层是 Agentic Loop（智能体循环）。这是执行引擎，不是单次模型调用，而是一个有界的循环：计划、执行、用传感器验证、修复失败、推进或升级重试。必须设定预算上限：每步最大重试次数、最大耗时、token 预算、费用上限、工具调用次数。任何预算耗尽时，必须返回当前最好结果加未解决问题加退出原因，绝不能用一个流畅的最终答案掩盖部分失败。
第四层是 Memory and State（记忆与状态）。模型每次调用都是从空白上下文开始的。harness 负责重建相关状态。最简单的持久化记忆就是文件系统——plan.md 文件、decisions.md 日志、progress.json 检查点。对大多数 Agent 工作流来说，这比向量数据库便宜、简单且可靠。当 Agent 连续运行数小时，还需要 server-side compaction 机制来压缩旧上下文。
第五层是 Permissions and Budgets（权限和预算）。模型不能限制自己，它拥有多少权限就会使用所有可用权限。权限不是模型的属性，而是 harness 的属性——它是主要的安全边界。预算有四维：范围（哪些文件、工具、操作可用）、速率（最大写入次数）、可逆性（操作能否回滚）、可见性（谁被通知、保留哪些审计记录）。
第六层是 Observability（可观测性）。没有遥测数据的 Agent 可能看起来运行良好，但实际上静默跳过了重要步骤。必须追踪的内容包括：起止时间戳、工具动作及结果、guide 版本和使用的传感器、尝试次数和成本、产出的 artifact、审批和升级事件。还有一个关键指标：不要数模型调用次数或 token 数量，要数的是无需人工干预就完成的任务数。
4.七天上生产线
文档提供了一个渐进式路径，一天一层：第一天写 guide 文件包含构建测试和 lint 命令；第二天从已知失败中增加三条 guide 规则；第三天加上第一个计算型传感器让 Agent 每次改动后自动跑测试；第四天接入重试预算和升级机制；第五天添加文件级别的检查点保证重启后能恢复；第六天设置权限和费用预算；第七天加上结构化日志和异常告警。
7 天后所有六层达到最低可用级别。之后的扩展遵循棘轮原理：实际运行中每次出错暴露哪一层需要加强，一次只改一层，测量效果，回归测试。
5.五个真实案例证明了这套方法论
1）OpenAI Codex：一名工程师花了五个月，零手动代码构建了一款产品。代码量达一百万行，约一千五百个自动化 pull request。人类不是在写代码，而是在设计让可靠代码生成成为可能的环境。关键是他们的 tagline：人类引导，Agent 构建。他们投入在 harness 上的时间比手动写代码还多。
2）LangChain：Terminal Bench 排名从第 30 到第 5，不换模型。
3）GAIA 基准：同样模型，harness 改进带来 43.64 分的提升。
4）Hashline 实验：一个下午改了 16 个模型的工具格式，全有改善。
5）Ghostty：Mitchell Hashimoto 的 AGENTS.md 累积了一条错误一条规则的修正历史，新 Agent 读取该文件后几秒钟继承了数月的纠正知识。
6.本质上是基础设施思维的转变
Lauren Tan 在 Cursor 的说法总结了一切：prompt 引导行为，环境防止整类错误。
一个完善的 harness 系统设计完成后，应该能让这句话为真：每一个重要的输出都能追溯到塑造它的 guide 规则、验证它的传感器、约束它的预算、保存它的检查点和记录它的日志。当这句话不成立时，增加更多模型调用通常只会让系统变得更黑盒。当它成立时，harness 就变成了一个可组合的工程机制。
pdf： drive.google.com/file/d/1wZeuP0t4WOA2COMxcrU-Uv34IutM13UR/view
how i ai程序员
