💡 一句话总结：2024 年我们卷 prompt，2025 年我们卷 framework，2026 年我们卷 harness。模型能力同质化的尽头是『谁能把模型用得稳』，这是新一轮 AI 公司护城河的核心。
三个被低估的信号
5 月最值得品的不是 Google I/O 上 Gemini 3.5 Flash 那 4 倍速度，是三条更安静的新闻：
信号 1：5 月 19 日，DeepSeek 宣布从 Jane Street 挖来 Cui Tianyi 出任新成立的『AI Harness Team』负责人。Jane Street 是世界顶级量化做市商，Cui 在那里负责低延迟交易系统。一个量化基建专家来做 LLM？
信号 2：5 月 18 日，Cursor 发布 Composer 2.5 时承认，模型 base 用的是开源的 Moonshot Kimi K2.5，他们自己只花了 15% 的算力做继续预训练，85% 的算力全部用于『harness training』——把模型放进 IDE 环境里反复跑真实工程任务做 RL。
信号 3：5 月 18 日，Anthropic 收购 Stainless（金额未披露但业内估测 $300M+），这家公司做的事极小众：为 API 自动生成各语言 SDK。一家估值 $900B 的公司花 $300M 买 SDK 生成工具？
这三件事看起来不相关，背后是同一条主线：Harness 已经从工程附属品变成 AI 公司的核心资产。
Harness 是什么
『Harness』这个词在 2025 年下半年从 Anthropic 内部文档泄露出来后被业内广泛采用。字面意思是『马具』，套住模型这匹野马让它能稳定拉车。
它和几个相邻概念的关系：
| 层级 | 关注点 | 代表 |
|---|---|---|
| Base model | 知识、推理、生成 | Claude Opus 4.7、Gemini 3.5 Flash |
| Scaffolding | 最简工具调用循环 | ReAct、AutoGPT 早期 |
| Agent framework | 流程编排 + 状态管理 | LangGraph、CrewAI、Mastra |
| Harness | 模型能力→可生产 Agent 的完整工程闭环 | Claude Code、Cursor、Antigravity、OpenClaw |
| Application | 业务包装 | Cursor IDE 的具体功能 |
Harness 覆盖六件事，每一件都是独立的系统工程：
1. 工具暴露层（Tool Surface）
模型怎么知道有哪些工具可用？schema 怎么写？流式工具返回怎么处理？这些在 2024 年都是每家私货，2026 年 MCP 协议成熟后变成标准。
2. 执行环境（Execution Sandbox）
模型生成的代码在哪里跑？文件系统、网络、终端的权限边界？怎么防止『rm -rf /』这类破坏？Anthropic 在 Claude Code 里花了巨大力气做 sandbox 隔离，OpenClaw 提供了六种 backend（Local/Docker/SSH/Daytona/Singularity/Modal）。
3. 上下文管理（Context Engineering）
200K-1M 上下文够用吗？远不够。harness 必须做：
- 智能压缩（chunked summarization、relevance filtering）
- 文件引用而非内联（避免每次都把全文塞进去）
- 多轮对话的状态隔离（防止旧上下文污染新任务）
- pinning 关键信息（系统提示、当前任务、用户偏好不该被压缩掉）
Cursor 内部叫这套机制『context layering』，Antigravity 2.0 叫『canvas system』，OpenClaw 叫『memory core』。
4. 错误恢复（Error Recovery）
模型会调错工具、会写错代码、会陷入循环。harness 必须能：
- 检测异常状态（rate limit、tool 404、permission denied）
- 自动重试（带 backoff 和 deduplication）
- 优雅降级（一个工具不可用时尝试备选）
- 人工接管接口（暂停 Agent、修正、继续）
LangGraph 1.2 在 5/14 加了 per-node timeout 和 graceful shutdown 就是补这一块。
5. Observability
Agent 跑挂了，怎么知道为什么？harness 必须提供：
- 每一步的 input/output trace
- LLM 调用的完整 messages、tools、tokens、cost
- 跨多个 worker 的分布式 trace 拼接
- 历史 trace 的 replay 和 diff
Anthropic 在 Claude Code 里做了 trace UI，Mistral Workflows 提供 timeline view，OpenClaw 有 inbox + trace 双视图。
6. 安全合规
权限边界、敏感信息脱敏、审计日志、guardrails、内容过滤——所有传统软件需要做的合规事项，Agent 都得做，而且因为是非确定性系统，难度高一档。
六件事一起跑通才是 harness。少任何一件都只是 prototype。
案例 1：Cursor 的 85% 算力哲学
Composer 2.5 这次发布最反直觉的数字是：Cursor 花在『post-training harness』的算力占总算力 85%。
具体做了什么？把 base K2.5 放进真实 Cursor IDE 环境里：
- 给模型一个 GitHub repo 和一个 issue 描述
- 模型读文件、写代码、跑测试
- 测试失败就改、改完再跑、直到通过或放弃
- 整个 trajectory 被记录为 RL training data
- 用 PPO/GRPO 更新模型权重
跑了几百万次后，base K2.5 在 SWE-Bench Multilingual 上从 65% 涨到 79.8%。
这件事的含义远超『Cursor 自研了一个模型』：
- 同样的 base，过不同的 harness 能差 15 个点
- 模型能力的提升不再只靠『增大参数 + 喂更多数据』，而靠『让模型在真实环境里学习』
- harness 本身就是训练数据生成器，谁的 harness 跑得多，谁的模型就长得快
- 这给 Anthropic / OpenAI 这种『纯模型公司』施加了压力，他们必须自建或合作高质量 harness
Cursor CEO Michael Truell 在播客里说过：『未来 5 年最稀缺的不是 GPU，是高质量 agentic trajectory 数据，而这数据只能从生产 harness 里产生』。
案例 2：DeepSeek 的 Agent OS 野心
DeepSeek 把 harness team 直接叫『Agent OS team』，目标不是做一个 Agent 应用，是做一层操作系统。
从已经披露的内部架构看：
┌─────────────────────────────────────────┐
│ Application Layer (DeepSeek-Claw, │
│ DeepSeek-Code, third-party agents) │
├─────────────────────────────────────────┤
│ Capability Layer │
│ (memory / planning / reflection / │
│ evaluation / dialogue management) │
├─────────────────────────────────────────┤
│ Tool & Resource Layer │
│ (MCP servers / browser / shell / │
│ file system / database / web search) │
├─────────────────────────────────────────┤
│ Execution Layer │
│ (sandbox / scheduler / state machine /│
│ replay engine) │
├─────────────────────────────────────────┤
│ Foundation Model Layer │
│ (DeepSeek V4 / V4-Pro) │
└─────────────────────────────────────────┘Cui Tianyi 从 Jane Street 带来的方法论是 Execution Layer 这部分。量化交易系统和 Agent harness 在工程上高度同构：
- Deterministic replay：交易出问题要 nanosecond 级回放，Agent 出问题也要 step-level 回放
- State machine reliability：交易状态机不能有竞态，Agent 状态机也不能有竞态
- Observability density：trading 每个 tick 都有 metric，Agent 每个 step 也得有
- Failure isolation：一个策略挂不能拖垮整个集群，一个 Agent 挂不能拖垮 harness
LLM 工程师不缺 prompt 高手，缺的是这套金融基础设施级别的工程纪律。DeepSeek 选择从量化圈挖人，是承认 harness 是个 systems engineering 问题，不是 ML 问题。
案例 3：OpenClaw 的『单一 Agent 多渠道』策略
OpenClaw 半年从 9K 星涨到 210K 星，被很多人解读为『开源 ChatGPT Desktop 的胜利』。这只看到表层。
OpenClaw 真正做的是把 harness 标准化成一个『单进程多前端』架构：
- 一个 daemon 跑 harness（memory、tools、context、scheduler）
- N 个 channel adapter 把 daemon 暴露给不同 UI（WhatsApp、Telegram、Slack、Web、CLI）
- 用户在哪个渠道交互不重要，他的 Agent 状态、记忆、tools 都是一份
这个设计让『Agent』第一次具备『从应用到基础设施』的属性。以前你的 ChatGPT 上下文只在 ChatGPT 网页里有，OpenClaw 让你的 Agent 跟着你跨平台。
更重要的是 OpenClaw 的 harness 是开源的、可审计的。当个人用户和企业开始重视『谁拥有我的 Agent』时，开源 harness 的话语权会越来越大——这是为什么 6 周前还没人讨论 OpenClaw，6 周后所有 Agent 公司都在 fork 它。
Harness 决定 Agent 上下限的实测
我们做过一组对照实验：同一个 base model（Claude Opus 4.7），跑同一个任务集（SWE-Bench Verified subset 100 道题），换不同 harness：
| Harness | 平均成功率 | 平均工具调用次数 | 平均成本/题 | 平均人工干预次数 |
|---|---|---|---|---|
| 裸 API + ReAct 模板 | 41% | 4.2 | $0.18 | 3.1 |
| LangGraph 1.2 + 自写 tools | 58% | 6.5 | $0.27 | 1.8 |
| Cline（VS Code 扩展） | 71% | 9.1 | $0.41 | 0.9 |
| Claude Code | 83% | 12.3 | $0.58 | 0.3 |
| Cursor Composer（Opus 模式） | 86% | 14.1 | $0.66 | 0.2 |
同样的 base model，最弱 harness 41%，最强 86%，差 45 个百分点。
而 base model 的差距呢？同一个 harness（Claude Code）换不同模型：
| Base Model in Claude Code | 成功率 |
|---|---|
| Claude Opus 4.7 | 83% |
| Claude Sonnet 4.6 | 71% |
| DeepSeek V4-Pro | 64% |
| GPT-5.5 | 78% |
base model 差距 19 个点，harness 差距 45 个点。Harness 对 Agent 表现的影响比 base model 大一倍以上。
未来 18 个月的演进
基于现在的信号，我赌三个方向：
赌一：MCP 之后会出 Agent OS 标准
MCP 标准化了『工具怎么暴露』，但 sandbox 接口、observability 接口、context 接口都还各自为政。2026 下半年大概率会有 Anthropic 或社区推一个 ‘Agent OS Protocol’，把 harness 的更多层接口化。OpenClaw 的开源架构很可能成为参考实现。
赌二：Harness 训练数据成为新的护城河
Cursor / Claude Code / Cline 都在自己的生产环境收集 trajectory 数据训练模型。base model 公司必须要么自建 harness、要么和 harness 公司深度合作。预计会看到 Anthropic 推自己的 Agentic IDE、Google 把 Antigravity 推得更狠、OpenAI 收购或孵化 harness 公司。
赌三：Reliability Engineer 成为新工种
LLM Engineer / Prompt Engineer 这两个 title 会褪色，取而代之的是『Agent Reliability Engineer』——背景从 SRE、量化基建、分布式系统过来，主要工作是设计 harness 的容错、observability、状态管理。DeepSeek 挖 Jane Street 工程师是这个趋势的领先指标。
对个人和团队的建议
给个人开发者：
- 选 Agent 工具不要只看 base model，看 harness 成熟度。同样 Opus 4.7，Cursor 比裸 API 强 45 个点。
- 自己造 Agent 时不要重复造工具调度。MCP + 一个成熟 framework 解决前 3 件事，把精力放在错误恢复、observability、安全这三件。
- 用『端到端成功率 × 平均干预次数』评估 Agent 质量，而非『单次 LLM 调用准确率』。
给团队：
- 至少配一个 Agent Reliability Engineer，背景偏 SRE / 分布式系统比偏 ML 更合适。
- 不要重复造 harness 全栈。把 Mistral Workflows / OpenClaw / Claude Code 当基础设施用，自己只做业务层。
- 长期投资 trajectory 数据。每一个生产 Agent 跑的真实任务都是未来训练数据，必须从第一天开始 trace 和归档。
给创业公司：
base model 已经是商品，靠模型起家的窗口窄到几乎关闭。但 harness 还在野蛮生长期。垂直行业的 harness（法律 Agent harness、医疗 Agent harness、金融 Agent harness）是未来 18 个月最确定的创业机会，因为这些行业的合规、审计、专业工具需求让通用 harness 无法直接服务。
结语
Andrej Karpathy 在 2025 年说过 ‘Prompt engineering is the new programming’。2026 年这个论断要更新成 ‘Harness engineering is the new operating system engineering’。
模型能力的差距正在收窄，工具调用的接口正在标准化。决定下一代 Agent 谁能跑得稳、谁能上得了生产的，是 harness 这一层看不见的系统工程。
DeepSeek 挖 Jane Street、Cursor 85% 算力扔进 harness、Anthropic 花 $300M 买 SDK 公司——这些不是孤立事件，是同一场新 Infrastructure as a Service 战争的开场。
如果你 2026 年只跟一个 AI 趋势，就跟 harness。