这篇论文终于把 harness 彻底讲明白了 论文给 haness 拆成了七层，很多公司所谓的 harness 只是做到了 prompt+MCP+workflow，论文还通过实验验证了，只通过优化 Harness 模型的平均分就能提升 10 分以上 #Harness #ai教程 #agent #大模型即将改变世界 #AI产品

它是第一篇给 Agent Harness 工程建立系统化学术框架的综述。 现在还在双盲评审阶段，但是已经被多个知识库和评估体系收入为参考框架了。 你之前看到的更多是 Asopic、OpenAI 这些公司各自发的博客和工程文档，东一块儿西一块儿。 这篇论文把这些散落的实践经验整合成了一个有实验、有分类、有生态图谱的完整学术体系。 如果你想系统地学习 Harness，那这篇论文是目前最好的起点。 这篇论文有三个点我觉得是非常有价值的，尤其是最后一个，能直接帮你判断往哪个方向投入精力。 价值一是给 Harness 明确的定义，七层分类法。 之前大家对于 Harness 的定义是 Agent 等于 Model 加 Harness。 这是一个排除法定义，模型之外的一切代码、页面、执行逻辑都叫 Harness。 这是工程实践者的视角，从我想让模型做什么但它做不到的角度出发，反推出 Harness 需要哪些组件。 这篇论文将 Harness 定义为一个独立的系统层。 它不仅是模型之外的东西，是一个有明确的分层结构，可以被独立研究和优化的工程学科。 七层分类法的前四层是让 Agent 能干活的基础。 第一层是执行环境，说白了就是Agent跑在哪儿，你总不能让它直接在你的生产服务器上裸奔吧。 那你就需要给它一个沙盒，隔离开，它搞砸了也不会把你的系统弄崩，就像你给实习生一台独立的测试机，而不是让它直接碰生产环境的数据库。 第二层是工具接口，Agent要干活就得用工具，查数据、调API、读文件，但是它怎么知道哪些工具可以用，每个工具怎么调，参数是什么，返回什么格式呢？那这一层解决的就是让Agent正确地使用工具，就像给学员工艺本、工具手册，写清楚公司有哪些内部系统，每个系统怎么登录、能干什么。 第三层是上下文管理，这是Agent的工作记忆，模型每一步能看到什么信息，对话历史太长怎么压缩，之前查过的资料怎么调回来，怎么防止关键信息被一堆无关的内容淹没。你可以想象一个人同时处理十几个项目，桌上堆满了文件，那上下文的管理就是帮它决定此刻该看哪几张，其他的先收起来。 第四层是任务周期和编排，一个任务从开始到结束，控制流怎么走，Agent想了一步之后下一步干什么，如果有多个Agent的协作，谁先谁后、谁负责什么，结果怎么走，那这一层管理的是整个工作流的节奏。 就像一个项目经理不写代码，但决定谁先做、谁后做，做完了交给谁。 后三层是让Agent可以安全可控干活的控制平面。 第五层是观察层，Agent干完活了，你能不能看到它到底做了什么，每一步花了多少时间，调用了哪些工具，花了多少钱，哪一步出的错。如果你看不到这些，你就是在闭着眼睛运营一个非确定性的系统，出了问题你连去哪查都不知道，就像你开车没有仪表盘，车能跑，但你都不知道油还剩多少，速度有多快，发动机的温度是否正常。 第六层是可验证层，Agent说他做完了，那他做对了吗，做错在哪一步，是理解错任务了还是工具调错了，还是中间某步信息丢失了，那下一次怎么防止同样的错误。这一层就是Agent的质检部门，不是说你信不过他，而是任何生产系统都需要有一个闭环，做完了要检查，检查了要反馈，反馈了就要改进，最后一层第七层就是治理层。 Agent他能做什么，不能做什么，谁授权他做了这件事情，他能访问哪些数据，操作记录在哪，出了事谁负责，不是技术问题，是合规问题，你的Agent如果能得到客户数据，能发邮件、能改代码，那他的权限管理就要跟管一个真人员工一样重要，那这篇论文，把可观察性和治理单独立了出来。 之前Lunchin的框架里面，这两块是塞在生命周期里面的，很不适配。 但是在真实的生产环境里，这两块是有自己独立的工具站、独立的团队、独立的预算的。那Lunchin 2026年的调查数据也验证了这一点：89%的团队用了可观察性的工具，但是只有5.4%跑了离线评估。 什么意思呢？大部分的团队是能看到Agent做了什么，但是没有系统性地判断它到底做的对不对。看得到和能判断对错之间这条裂缝，就是很多Agent在生产环境里悄悄翻车的原因。把这两层独立出来，才能让你真正看到问题出在哪。 12是用实验数据做实了Harnes的增益。过去我们讨论模型更重要还是Harnes更重要，更多的是基于一些理论的推理，大家各执一词。但这篇论文不一样，它拿出了三组独立实验的硬数据。一组是只改用了工具调用的格式，模型是一个字没动的，15个模型平均涨了10分。另一组是对GPT 5.2只做了三件事：重构了提示词的结构，中间插入上下文，加了自验证的钩子，分数也从52.8涨到了66.5，涨了13.7个百分点。还有一组是用自动化的方式去搜索最优的Harnes Page，直接跑到了76.4%，超过了所有人工调的方案。 对比一下，在同一个基准线上，模型本身的迭代通常只能带来2-4个百分点的提升，而Harness层面的增益是模型进步的3-5倍。这不再是我觉得Harness重要，而是用实验证明了，Agent表现的上限是被Harness卡住的，不是被模型卡住的。第三个价值，也是最重要的一个，它绘制了迄今为止最大规模的Agent Harness生态图谱。论文把170个开源项目映射到了这七层上，这是目前最大规模的Harness生态图谱。这个图谱的结论也很明确：前四层执行环境、工具接口、生命周期验证，项目是非常密集的，有大量成熟的方案可以直接选用。但是在可观察性、治理，以及上下文记忆相关方向，开源的项目是比较少的，更多集中在商业平台里。那这对我们来讲意味着什么呢？我们来做Agent产品的选型，前四层直接挑选开源方案就行，不用自己再重复造轮子。但是后面几层，大概率你还是要自建的，或者要付费购买商业产品。但是如果你在找一些创新的方向，或者是研究的课题，那最稀薄的地方就是机会最大的地方。可观察性和治理是目前这个生态覆盖最薄，但在生产环境里却是最痛的两个层，谁能在这两层做出好的开源方案或者产品，那就是在填补一个巨大的空白。 这就是这篇论文的价值。它不是在教你一个新的技巧，它给你画了一张地图，让你知道整个领域长什么样，它现在站在哪儿，该往哪儿走。