图注：一图读懂本文要点——模型不是瓶颈，六层挽具决定 AI 能否上生产（来源：源势AI）
为什么最聪明的模型，一到生产环境就崩溃？
答案往往不在模型本身，而在缺少一套可靠的控制机制。围绕模型搭的这套支撑体系，行业给了它一个名字：Harness，中文常译作挽具、驾驭工程（来源：忽南忽北Wq《深入探究Harness Engineering：如何设计出生产级别的Agent》，2026-09-30）。
模型的能力决定排行榜上的理论分数，但它在真实任务里的表现，更多取决于这套外在系统稳不稳。
从提示词到挽具，走了三个阶段
LLM 应用的演进大致分三段。
第一阶段是提示词工程，关心的是「模型听懂我的意思了吗」。仔细设计角色说明、给几个示例、加格式约束，输出就可能明显不同。但提示词很快会遇到瓶颈：无论写得多好，都无法让模型知道它原本不知道的事，也无法让它记住几次工具调用之前发生了什么。
第二阶段是上下文工程，关心的是「模型掌握事实了吗」。RAG、动态检索、把工具输出传回模型、有策略地截断历史，都属于这一段。它确实带来突破，但解决不了一个问题：执行漂移。智能体先制定出色的计划、完美执行第一步，从第二步开始可能误解工具返回、偏离主线，却还能继续执行后面十几步，而系统毫无察觉（来源：忽南忽北Wq，2026-09-30）。
第三阶段才是 Harness 工程，关心的是「模型能持续正确地采取行动吗」。它的做法是围绕模型构建一套确定性的系统，用来监督模型的行动、捕捉失败、施加约束，在模型偏离轨道时把它拉回来（来源：同上）。
这个方向其实很新，是近一年才被单独拎出来讲的（来源：AI前沿笔记《谷歌发布 Harness Engineering 综述》，2026-09-11）。推动力很实际：Agent 进入长任务之后，工程师的时间并没有省下来，反而全花在搭记忆、调上下文、接工具、处理失败上。
六层架构，缺一层都会漏
成熟的 Harness 系统可以拆成六层（来源：忽南忽北Wq，2026-09-30）。
第一层是信息边界，回答「模型能看到什么」。多余的数据不会让模型更聪明，只会分散注意力，把系统规则、任务状态、外部证据混在一起，模型就可能漏掉约束。
第二层是工具系统，管的是「能用什么、何时用」。一个常见错误是装太多工具，导致模型编造不存在的参数、误用不熟悉的 API。还有一条不可妥协的规则：绝不把未经处理的工具输出直接传回模型——一次工具调用返回的几十条 JSON 记录，就足以污染上下文。
第三层是调度编排，把「先做什么、后做什么」从概率模型手里收回来，交给确定性的流程。
第四层是记忆与状态，让任务状态得以延续。这里最常见的错误，是把任务状态和对话历史混为一谈，导致上下文窗口不断膨胀、结构混乱。
第五层是评估与可观测性。初级 Agent 往往缺这一层：生成结果、宣布成功，却没有机制判断结果是否正确。让 Agent 自己评估验收并不可靠，相当于让运动员兼裁判员。
第六层是约束、验证与恢复，回答「出错后怎么办」。约束用硬编码规则规定绝对不能做什么，验证在输出前后设关卡，恢复提供重试逻辑和回滚路径。
图注：信息边界、工具系统、调度编排、记忆与状态、评估与可观测性、约束与恢复——Harness 可以看作 Agent 的操作系统，缺哪一层都会从哪一层漏（资料来源：忽南忽北Wq《深入探究Harness Engineering》，2026-09-30）
上下文焦虑，要靠重启
任务一长，前面搭的框架也可能失效，尤其是信息边界、记忆状态和评估这几层。
当上下文不断累积、接近上限时，模型会开始丢失重点、忘记核心目标、跳过验证，表现得像急着交差。Anthropic 的研究人员把这种状态叫上下文焦虑（来源：忽南忽北Wq，2026-09-30）。
最简单的办法是压缩上下文：总结历史、把摘要重新注入。但这只能减少 Token，不能真正重置模型的认知状态。更彻底的办法是重启——Anthropic 把它叫上下文重置，当上下文过大时，把压缩后的摘要交给一个全新的智能体实例，从更干净的上下文重新开始，就像处理内存泄漏时直接重启进程（来源：同上）。
工具也可以用渐进式披露：起初只给模型最少必要的工具，需要某项能力时再动态提供详细文档，避免信息过载。
把生成和评估分开
上下文干净了，不代表结果可靠。Agent 仍可能产出错误结果，或把未完成的工作误判为成功。
Anthropic 的实践是分离职责，设三个角色：规划器把人类需求转化为工程规格，生成器按规格执行，评估器独立验收输出，在功能上和生成器解耦。评估器不能只看生成器写出的代码，还要直接和渲染后的结果交互（来源：忽南忽北Wq，2026-09-30）。
OpenAI 又推进了一层：当 Agent 写代码快到人类来不及审核，他们为智能体搭了完全自动化的 CI/CD 流水线，Agent 在隔离沙盒里跑代码、用无头浏览器截图、读日志、迭代，直到确认部署正确。「完成」不再只是「我生成了文本」，而是「我跑了代码、查了日志、修了错误、验了部署」（来源：同上）。
数据也支持这条线。腾讯研究院在年度趋势报告里引用的实验显示：在 CL-bench 这类测试「现学现用」的基准上，即使把所有必要信息完整放进上下文，前沿模型的任务解决率也只有 17% 出头；ARC-AGI-3 换成交互式、不给说明书的开放式任务后，所有模型被打回到 1% 以下（来源：腾讯研究院《2026人工智能十大趋势报告》，转引自源势AI《模型越强，挽具越值钱》，2026-09-09）。
另一组对照更能说明问题：北京智源团队把「验证」从答案出口的事后过滤器，改造成研究轮次之间的控制信号，让一个 10B 激活参数的小模型在 BrowseComp 上拿到 82.5 分，超过了同家族 397B 激活参数的基线（来源：《验证驱动的递归自改进研究智能体》，2026-09-03）。小模型赢大模型，赢的不是智力，是挽具。
更直接的数据来自一份 2026 年的 Harness 工程综述：把模型钉死不动、只换 Harness，同一个 Claude Sonnet 4.5 在 GAIA 基准上从 30.91% 涨到 74.55%，提升 43.64 分，全部记在 Harness 账上（来源：AI前沿笔记《谷歌发布 Harness Engineering 综述》，2026-09-11）。同一份综述还给出一个刺眼的判断：绝大多数企业级 AI Agent 永远到不了生产环境。它们不是不会说话，是没人给它造这副挽具。
图注：同一个模型仅换 Harness，GAIA 从 30.91% 到 74.55%（数据来源：AI前沿笔记《谷歌发布 Harness Engineering 综述》，2026-09-11）
源势AI观点
第一，把「模型内部的问题」和「模型外部的问题」分开看。推理能力、知识密度交给模型迭代，那是基座厂商的战场；任务拆解、工具编排、结果验证、失败恢复属于工程交付，这才是企业级 Agent 落地真正要花钱的地方。
第二，采购 Agent 时，把 Harness 层的工程能力写进评估表。过去评估供应商看模型榜单，现在要看三样东西——运行环境搭得好不好、失败恢复做没做、验证信号闭不闭环。把任务成功率从六成提到九成的那一段差距，往往就藏在这一层（来源：忽南忽北Wq《深入探究Harness Engineering》，2026-09-30），订单里看不到，预算里也常被当成附赠。
第三，别指望换一个更大的模型解决问题。我们做企业智能体交付踩过的坑基本都在这一层——靠的通常不是模型升级，而是把上下文边界、权限审批、验收标准设计清楚。
行业还在大谈 Harness，恰恰说明它没有被模型内化完。等到显性的挽具沉进模型里，这一段工程能力会变成默认项；在那之前，它仍然是决定 AI 能不能上生产的那道坎。
话题标签：#Harness工程 #智能体落地 #AI工程
