大家好，我是子昕。
同样的模型，别人的 Agent 能跑到 95% 成功率，自己的总在 70% 上下摇摆------问题出在哪里？
最近看到 Youtube 一个讲解《最近爆火的 Harness Engineering 到底是个啥？》视频。
看完之后，我更加确定了一件事：
AI 工程的瓶颈，已经不在模型本身，而在模型之外。
这篇文章，是我在原视频基础上的一次"再理解"。
如果你最近在做 Agent，或者关注 AI 应用落地，这件事，可能会直接影响你接下来半年的方向。
一、三次中心迁移：从 Prompt 到 Harness
过去两年，AI 工程经历了三次明显的重心转移。
表面上是换了几个新名词，实质上对应了 AI 系统发展的三个阶段性问题：
阶段一：Prompt Engineering------把话说明白
大模型本质上是一个对上下文高度敏感的概率生成系统。
你给它什么身份，它就沿着那个身份回答；你给它什么样例，它就沿着那个范式补全。
所以 Prompt Engineering 的本质，不是"驯服"模型，而是：
塑造一个局部的概率空间。
这个阶段的核心能力是语言的设计，不是系统的设计。
阶段二：Context Engineering------把信息给对
当 Agent 开始流行，模型不再只是回答问题，而是进入真实环境执行任务。
这时候，一个关键变化出现了：
模型未必知道所有事实，系统必须在正确时机把正确信息送进去。
工程意义上的 Context，其实是：
- 用户输入
- 历史对话
- 检索结果（RAG）
- 工具返回
- 当前任务状态
- 中间产物
- 系统规则
👉 Prompt 只是 Context 的一个子集。
成熟的上下文工程关注的远不止检索本身，还包括：文档怎么切块、结果怎么排序、长文怎么压缩、历史对话何时保留何时摘要、多个 Agent 之间传原文还是结构化字段......
真正的难点在于：
不是"给得更多"，而是"给得刚刚好(按需给、分层给、在正确时机给)"。
这也是近年来"Agent Skills"（渐进式披露）概念走红的底层逻辑：先只给最少量的索引信息，当 Agent 真正触发某项能力时，再把详细的 SOP 和参考资料动态注入。
这也是为什么：
- 长上下文不一定更好
- RAG(Context Engineering 的典型实践之一) 也经常"越做越乱"
阶段三：Harness Engineering------让系统跑稳
前两步解决的是：
- Prompt：表达意图
- Context：提供信息
但复杂任务里还有一个更难的问题：
模型一旦开始连续执行，谁来监督它、约束它、纠偏它？
Harness 这个词，原意是"缰绳、马具、约束装置"。
放到 AI 里，它其实在强调一件很朴素的事情：
模型不是用来"放养"的，而是需要被"驾驭"的。
一个非常关键的理解是：
Agent = Model + Harness
Harness = Agent − Model\
👉 换句话说：
除了模型本身以外，所有决定它是否稳定的东西，都属于 Harness。
二、一个更直观的比喻
可以把这三层理解成：
👉 派一个新员工去见客户
- Prompt：你跟他说"表现专业一点"
- Context：你给他客户资料、背景信息
- Harness：你安排流程、设检查点、出错能兜底
👉 真正决定结果的，往往不是他说什么，而是：
公司有没有一套机制，保证他不会搞砸。
三、成熟 Harness 的六个层次
一个工业级的 Harness 系统，通常可以拆解成六层：
但这里我给你一个更"工程化"的理解方式：
Harness 本质上 = 调度 + 约束 + 纠偏
它解决的，不是"聪不聪明"，而是：
- 稳不稳定
- 可不可控
- 能不能复用
四、一线公司的真实实践
Harness 之所以最近突然火，不是因为概念，而是因为：
👉 一线公司已经在这么干了。
比如：
- Anthropic 的 Agent 设计
- OpenAI 的工具调用体系
本质都在做一件事：
把"不确定的模型行为"，包裹在"确定的系统结构"里。
这里有一个非常关键的工程原则：
当 Agent 出问题时，解决方案几乎从来不是"让模型更努力"，
而是：在 Harness 层补结构。
五、总结：什么时候你必须考虑 Harness？
这三种范式，其实对应三个阶段：
- 任务是简单的单轮生成 → Prompt 是关键
- 任务开始依赖外部知识、需要多步推理 → Context 变得关键
- 模型进入长链路、低容错的真实执行场景 → Harness 几乎不可避免
👉 也就是说：
只要你的系统开始"跑流程"，Harness 就已经不可避免了。
最后给你一个判断标准：
如果你现在的系统出现：
- 成功率不稳定
- 偶尔"抽风"
- 很难 debug
- 改一个地方，全局崩
👉 那基本可以确定：
问题不在模型，而在 Harness。
写在最后
AI 落地的核心挑战，正在发生一个变化：
从"让模型更聪明"→ 到"让模型稳定工作"
这也是为什么：
同样的模型，不同产品表现差距巨大。
最后一句话总结：
决定你能不能做出 Demo 的，是模型；
决定你能不能做成产品的，是 Harness。
更多内容，欢迎关注微信公众号【子昕AI编程】~