概念 6：Harness 的精确定义与组件清单
本概念由 LangChain、HumanLayer、Martin Fowler 三篇文章综合提炼，是对 OpenAI 原文的扩展。
定义
Agent = Model + Harness
Harness = 模型之外的一切代码、配置和执行逻辑。
裸模型不是智能体——它接受文本/图片/音频/视频，输出文本。它不能原生维护状态、执行代码、访问实时知识、搭建环境。当 harness 给它状态、工具执行、反馈回路和可执行约束时，它才成为智能体。
完整组件清单
来自 LangChain
| 组件 | 说明 |
|---|---|
| System Prompts | AGENTS.md、CLAUDE.md |
| Tools & MCP | 扩展智能体能力的工具和协议 |
| Skills | 渐进式加载的知识包 |
| 沙箱基础设施 | 文件系统、浏览器、隔离执行环境 |
| 编排逻辑 | 子智能体生成、handoff、模型路由 |
| Hooks/中间件 | compaction、续接、lint 检查 |
来自 HumanLayer（六个配置杠杆）
| # | 杠杆 | 要点 |
|---|---|---|
| 1 | AGENTS.md | ≤60 行，禁止自动生成 |
| 2 | MCP Servers | 信任边界 + 工具数量控制 |
| 3 | Skills | 渐进式披露，按需加载 |
| 4 | Sub-Agents | 上下文防火墙，隔离防 context rot |
| 5 | Hooks | 生命周期脚本，成功静默/失败报错 |
| 6 | Back-Pressure | 测试/构建/类型检查 = 自我验证回路 |
来自 Martin Fowler（三层框架）
┌─────────────────────────────────────────┐
│ Context Engineering │ 知识库 + 动态上下文
├─────────────────────────────────────────┤
│ Architectural Constraints │ LLM 审查 + linter + 结构测试
├─────────────────────────────────────────┤
│ Garbage Collection Agents │ 定期扫描 + 修复漂移
└─────────────────────────────────────────┘
Harness 与模型训练的耦合
LangChain 文章的关键发现：
- 模型在 post-training 阶段与特定 harness 共同训练
- 模型可能 overfit 到特定 harness，换 harness 后表现暴跌
- Terminal Bench 2.0 数据：纯 harness 优化可以把排名从 Top 30 拉到 Top 5
- 推论：最适合你任务的 harness，不一定是模型 post-training 时用的那个
Guides × Sensors：组件如何协同（来自 Fowler 正式版）
上述组件清单回答了”harness 有什么零件”，但没有回答”这些零件如何协同工作”。Böckeler 在 2026-04-02 的正式版文章中用控制论框架做了升维：
2×2 矩阵
| 计算性（确定性，CPU） | 推理性（语义，LLM） | |
|---|---|---|
| 引导器/前馈 | bootstrap 脚本、OpenRewrite、LSP | AGENTS.md、Skills、architecture.md |
| 传感器/反馈 | linter、ArchUnit、类型检查、覆盖率 | AI code review、LLM-as-judge |
- 引导器（Guides/前馈）：在智能体行动之前引导它，增加首次成功概率
- 传感器（Sensors/反馈）：在智能体行动之后观察，启用自我纠正
- 计算性：确定性、快速、便宜，每次提交都跑
- 推理性：概率性、慢、贵，选择性运行
关键洞察：单独使用任一维度都不行——只有反馈 = 反复犯同样错误；只有前馈 = 不知道规则是否生效。
三个规制维度
| 维度 | 成熟度 | 说明 |
|---|---|---|
| 可维护性 Harness | 最成熟 | 内部代码质量，现有工具丰富 |
| 架构适应度 Harness | 中等 | 本质是 Fitness Functions |
| 行为 Harness | 最弱 | ”房间里的大象”——功能正确性验证仍无可靠答案 |
Harnessability（可驾驭性）
不是所有代码库都同样适合被 harness：
- 强类型语言 天然自带类型检查传感器
- 清晰模块边界 支持架构约束规则
- 成熟框架（如 Spring）隐式提高智能体成功概率
- Ambient Affordances（Ned Letcher）：环境本身的结构属性——可读性、可导航性、可处理性
Ashby 必要多样性定律
调节器必须至少拥有与被调节系统同等的多样性。
LLM 能生成几乎任何东西（高多样性）→ 选定拓扑结构 = 削减多样性 → 全面 harness 变得可行。这为”约束越严，自主性越强”提供了控制论根基。
与 Harness.io（CI/CD 平台）的关系
两者不是同一个东西，但共享同一个工程哲学：
AI Harness Engineering Harness.io (CI/CD)
约束 AI 智能体的行为 约束代码交付的过程
AGENTS.md + linter + 背压 Pipeline + Policy-as-Code + 门控
目标：可靠的代码生成 目标：可靠的代码部署
共同本质：用确定性约束驾驭不确定性系统
Backpressure over Prescription