Agent Harness

如果同一个底层模型（比如 GPT-5 或 Claude Sonnet 4.6），在 Cursor、Claude Code、Codex 里能力差异巨大——差距究竟来自哪里？

2026 年 5 月，一篇研究论文系统性提出了 Agent Harness 概念：模型外面那层"运行系统"——它承担着任务描述、上下文选择、工具权限、记忆管理、状态维护、行为观测、失败归因、结果验证、人工介入记录等一系列职责。论文把这些职责整理成一门工程学科 —— Harness Engineering。

这个视角的价值在于：评价一个 Agent 产品，不能只看它用了什么模型，更要看它的 harness 怎么设计。同一个模型，配上不同的 harness，行为差异可能远大于换一个模型。具体差异通常体现在：

• 上下文怎么裁剪—整个仓库塞进去 vs. 按需检索、按相关性裁剪。
• 工具权限怎么管理—开放所有 shell 命令 vs. 按任务声明、按风险分级。
• 验证怎么做—信任模型说"做完了" vs. 跑测试 / 静态检查 / 独立评估器。
• 失败怎么记录—只看最终结果 vs. 完整审计轨迹和归因分析。

理解 harness 也帮助你判断为什么一些"看起来很酷"的开源 Agent 项目，落地到真实生产环境时表现远不如商业产品——差距通常不在模型，而在 harness 的工程质量。