近日，AI行业关于Harness的探讨颇多，行业普遍认为：现在是通过Harness来做大模型创新应用的好时机，但是Harness和以往的应用开发范式有较大不同，需要用一些不同的方法，才能做出好的产品，沿用原有的思维方式可能事倍功半。
本文《Harness即产品》，是网易有道CEO周枫从行业分享和内部实战中总结的一些最佳实践，供大家参考。 （首发自 @周枫 微信公众号）
先界定一下概念。所谓Harness（马具/载体），指的是模型之外、把模型包装成一个可用产品的那一整层工程：上下文管理、工具、记忆、持久化状态、评测、循环控制、可观测性与权限治理。
一个标准的说法是Agent = Model + Harness：模型负责"思考"，Harness负责让这份思考变得可理解、可协作、可复现、可长期运行。长程Agent对Harness的依赖，超过它对任何单个模型的依赖。更强的模型并不会自动变成更可靠的Agent服务。简单来说，对于一个复杂的Agent，模型也许只完成20%的工作，剩下80%、让产品持续可靠工作的基础，是Harness。1
这正是标题"Harness即产品"的含义：在大模型应用里，团队真正在设计和迭代的产品，往往不是一个个具体的功能，而是这一整层Harness本身。
下面七点，是我看到的构建一个好的基于Harness产品的要点。
1. 面向下一代模型能力设计产品
很多团队一开始就犯一个错误：围着模型今天的能力优化和打磨，试图让功能更准、更快、更便宜，结果产品上线没多久就被新模型直接替换。
解决这一问题的一个办法，是做一定的超前定位：产品路线图不该只问模型今天能不能做，更要问"半年后如果模型在规划、工具使用和长上下文上再上一个台阶，我们如何抓住红利"。
工程上，可以先用强模型跑出效果，再逐步尝试小模型替换；业务上，则优先选择会随着模型智能提升而不断放大价值的场景，比如复杂决策场景、需要深度思考的功能、跨系统调度，或者需要深入专业知识的产品。
Claude Code负责人Boris Cherny在Lenny's Podcast的访谈里把这件事讲得很清楚：Claude Code一开始只是个小尝试，团队是在"赌模型半年后的能力"------他们刻意按"模型将会变成什么样"、而不是"模型现在能做什么"来设计产品。
当时他的判断是，模型独立编程的能力正在快速上升，交互方式因此必须从以人为主的自动补全（auto-complete）转向以Agent为主："模型能做到很多还没有产品接住的事...... 我们其实不必再做type-ahead了，可以直接让Agent把所有代码都写出来。"这个赌注在2025年5月Opus 4发布时兑现，产品随之取得巨大成功。
他给出的两条产品原则也值得思考："别试图把模型框死"（少用僵硬的编排，多给工具和目标让模型自己想），以及"押注更通用的模型"------在模型一夜之间就能改变能力边界的领域里，能随模型一起变强的灵活方案，往往胜过为当下定制的脚手架。
2. 要做高智能产品
不是所有AI功能都值得投入。
一个简单的判断标准是：如果这个问题主要靠规则、搜索和模板就能解决，那它未必值得产品化；如果它依赖模糊判断、跨文档理解、多步骤推理和人与系统之间的复杂协作，那它才更适合为之开发大模型产品。
一个考虑的角度，是"类比一个需要资深员工处理的复杂任务切片"。如果你是产品负责人，最应该优先筛选的场景，不是流量最大，而是单次任务价值最高、判断复杂度最高、人工成本最贵的那些。这类场景虽然起步看起来更难，但一旦做通，用户会把它当真正的生产力工具，而不是新鲜一下的演示玩具。
换个角度说，任务切片越难、价值越高，模型单独能交付的比例就越低，当然最终能不能稳定上线，恰恰取决于Harness建得好不好，对模型能力的判断是否正确，但总的来说，把注意力集中在高智能产品方向上，是成功可能性更大的。
3. 有价值的Agent产品，往往消耗较多tokens
很多团队的第一直觉是"把token用量压到最低"，但对真正困难的任务来说，这往往是一上来就设定错了优化目标。对于高价值场景来说，token消耗是创造价值的，因此在一定范围内是越多越好。所以这类场景里，正确的默认态度是舍得花------和上一点呼应，单次任务价值越高、判断越复杂，越不该在token上抠门。一个Agent任务跑下来，累计输入token在数十万到数百万之间，都是比较正常的。
因此Harness的一个重要任务，是让token的花费具有经济上的可核算性------能够统计和优化token的消耗，使得该花的地方花充分，不该花的地方足够节省。这个和公司的增长团队一定要量化计算ROI一样，是团队一个必要的基本功。
这里有一些重要的杠杆： 一是提示词的缓存，是团队要关注和优化的要点；二是分层与路由------用强模型跑出比较好的效果后，把简单节点下放给小模型；也可以用批处理（batch）的方式跑可异步的批量任务、必要时做上下文重置来进一步节省开销。注意，这些手段省的是无谓的浪费，在高价值环节应该放开手脚，放心大胆地花。
4. 把上下文工程当成主任务
上下文工程（context engineering），目的是让模型在某一时刻究竟知道什么、不知道什么、记住什么、遗忘什么，而不是写更长、更巧妙的提示词。如果说Harness有一个心脏，那就是上下文管理：前面几点，最终都要落到管理上下文内容这个动作上，而不是简单地使用不断积累对话上下文的默认规则。至少要把上下文拆成几层：系统规则、当前任务、检索知识、用户历史、长期偏好、工具结果。不同层应该有不同的优先级、生命周期和压缩方式（见下图）。Anthropic把上下文工程的目标概括成一句话：找到"能最大化达成目标的、最小的一组高信号token"，因为上下文是一种边际收益递减的有限资源。3
关于上下文工程的好文章不少，比如这篇：Agent全面爆发！万字长文详解上下文工程。
5. 工具是给模型看的产品界面
Agent调不好工具，往往不是模型不聪明，而是工具设计得不对。
现在国内外主流模型的Agent能力都已经较强，在绝大多数场景下都有有效地驱动设计良好的工具集合来工作，所以在上下文工程之后，工具的设计是团队应该聚焦的点。对于不熟悉这个方法的团队，这需要一次观念升级：你不只是写一个API给自己的前端或服务端调用，而是在设计一个"模型可消费的能力单元"。如果工具过多、命名相似、参数含糊，模型就容易误选；如果返回结果冗长且噪音大，还会进一步污染上下文。
比较实用的做法是：先收敛工具数量，把高频业务动作做成少数几个高信号、强约束的工具；其次使用严格的schema和结构化输出，避免自由文本在节点之间传递错误指令；最后为关键工具写清"什么时候该用、什么时候不该用、调用成功与失败分别长什么样"。
Anthropic在工具使用文档里也强调，影响调用效果最重要的因素之一，就是工具描述本身。不少一线实践也指向同一组做法：工具一旦超过二十来个，模型就容易在相似工具间选错（比如把"订单查询"和"物流查询"搞混）；同时避免"瑞士军刀式"的多功能工具，改用单一职责、强schema的小工具，并在真正调用前先做参数校验、把错误直接"回吐"给模型修正。
6. 用评测驱动开发
做Agent比较容易掉入的一个坑是做出"差不多"能工作的产品，然后碰到问题反复手工调整，但是按下葫芦浮起瓢，陷入打地鼠的困境。这个时候，团队缺乏的就是量化的评测办法。一个真正可上线的Agent，必须有细分任务级的、量化的评测体系。评测至少要覆盖四层：最终答案质量、工具调用正确率、流程完成率和安全样本通过率。更进一步来讲，还应该有边界样本、对抗样本和真实线上日志回灌。一定要把"凭感觉"换成"看数据"。
从实操角度，Anthropic的《Demystifying Evals for AI Agents》是目前最权威的Harness/Agent评测指南，同时也已经有多个开源的框架出现，大家可以选择参考和使用。4
7. 默认从单Agent开始
多Agent很容易让人兴奋，因为看上去更像"组织协作"。但很多有经验的团队都建议先把单Agent做到极致，只有当prompt逻辑过于复杂、工具集合拥挤、权限等级不同、任务目标天然分离时，再拆成多Agent。
原因很简单：多Agent会带来handoff、状态同步、权限分层、成本叠加和调试复杂度。拆对了，系统会更清晰；拆错了，只会让问题在更多节点里来回传递。真正值得拆的，是那些边界清楚且目标不同的角色，比如"分诊---执行---质检""检索---分析---操作"或者"客服---退款---物流"。2
这件事社区里有一场很有代表性的争论：Cognition（Devin背后的团队）写过《Don't Build Multi-Agents》，主张默认就用单Agent------多个Agent之间很难共享完整上下文、容易决策冲突，对"写"类的强一致性任务（比如写代码）尤其脆弱；而Anthropic在《How we built our multi-agent research system》里给出了反例：在"读"类的开放式研究任务上，主从式（orchestrator-worker）多智能体比单个Claude Opus 4高出90.2%，但代价是token消耗约为普通对话的15倍。两边其实指向同一条分界线------任务偏"读"还是偏"写"、能不能共享上下文，决定了该不该拆。
小结：你迭代的产品，就是Harness
把这七点连起来看，它们其实是同一个工程的七个侧面：超前定位定方向、高智能场景定取舍、舍得花token求价值、上下文管理是心脏、工具是手、评测是免疫系统、循环编排是骨架。
模型会一代代变强，而且只会越来越强------但更强的模型不会自动变成更可靠的Agent服务，从demo到完整产品的鸿沟，始终要靠Harness来填。
所以做大模型应用，真正在持续设计、打磨、积累壁垒的，是这一整层Harness。模型是可更换的引擎，Harness才是你自己造的车。
参考链接
1 Anthropic, Harness design for long-running application development.
2 OpenAI, A practical guide to building agents.