🤔 为什么我们需要"Harness"？
想象一下，你拥有一匹烈马（LLM）。它拥有惊人的力量（海量的知识、强大的逻辑），但它野性难驯，没有方向，甚至可能随时尥蹶子（产生幻觉、遗忘上下文）。
Harness 的本意是"马具"、"挽具"。
在 AI 领域，Harness Engineering 就是研究如何给这匹烈马套上缰绳、马鞍和挽具。它不再仅仅是简单的"提示词优化"，而是一个比 Prompt Engineering 大一个量级的系统工程。
📉 LLM 的四大"结构性缺陷"
在了解 Harness 之前，我们必须诚实地面对 LLM 自身的局限性。无论模型多大（哪怕是 DeepSeek-V4-Flash 这种拥有 1M 超长上下文的怪兽），它们都有四个无法忽视的特质：
- 无状态 (Stateless) ：金鱼记忆。每次对话结束，它就忘了你是谁，也不知道你项目的历史规范。
- 无法主动操作 (Passive) ：它只能生成文字或图片，无法直接操作文件系统、浏览器或执行复杂任务（除非通过 MCP、Skills 等工具扩展）。
- 概率性输出 (Probabilistic) ：文无第一，武无第二。但在 Coding 这种"武"的赛道，我们需要确定的结果，而不是"可能正确"的代码。
- 上下文限制 (Context Limit) ：虽然上下文窗口在变大，但依然无法无限处理信息，且越长越贵，越长越慢。
Harness 的使命：就是在这些基本性质之上，建造一套系统（工程化手段），让模型可以完成原本无法独立完成的任务。
模型是引擎，Harness 就是装着 V8 引擎的赛车。 引擎再牛，没有好的变速箱、刹车和仪表盘，这车根本没法上路。
🏗️ Harness Engineering 的核心四层架构
Harness Engineering 不是一个具体的框架，而是围绕模型构建的基础设施总称。核心包含以下四层：
1. 记忆层 (Memory Layer)
解决痛点：无状态 (Stateless)
这是 Harness 的基石。既然模型记不住，我们就帮它记。
- 文件系统即记忆 ：利用
CLAUDE.md、AGENTS.md等文件，将项目规则持久化。 - 导航地图：这些文件告诉 Agent 项目的核心约束、技术栈和规范。每次对话，这些文件的内容都会被"挂载"到上下文中。
💡 实战案例：CLAUDE.md 的威力
不要急于生成代码，先初始化记忆。这是 Harness 思维的第一步。
场景：你需要一个极简的 Node.js 加法工具。
第一步：初始化记忆 (/init)
在全新的项目中，创建 CLAUDE.md。这是项目的"宪法"。
markdown
编辑
shell
1# 项目规则 - 极简Node加法工具
2
3## 1. 技术栈
4- 语言：Node.js 原生JS，仅内置模块，不许引入第三方npm包
5
6## 2. 目录规范
7- 入口文件：index.js，所有代码写在该文件，不拆分文件
8
9## 3. 代码要求
101. 函数必须加单行注释，代码极简，拒绝冗余
112. 输出结果用console.log清晰打印
123. 必须提供调用示例
134. 代码全面使用es6+，如果有非es6+代码，帮修改
14
15## 4. 输出约定
16写完代码后，附带运行命令：node index.js第二步：执行任务
此时，你只需要对 AI 说："帮我写一个加法和减法函数。"
因为有了 CLAUDE.md 这个 Harness，AI 会自动遵守所有约束，输出如下代码：
javascript
编辑
perl
1// index.js
2
3// 两数相加，返回 a + b 的结果
4const add = (a, b) => a + b;
5
6// 两数相减，返回 a - b 的结果
7const sub = (a, b) => a - b;
8
9// 调用测试
10if (require.main === module) {
11 console.log(add(1, 2)); // 3
12 console.log(add(-5, 10)); // 5
13 console.log(add(0, 0)); // 0
14 console.log(add(3.14, 2.86)); // 6
15
16 console.log(sub(5, 3)); // 2
17 console.log(sub(0, 7)); // -7
18 console.log(sub(10, -2)); // 12
19}关键点：
- 自动加载 ：每次 Prompt 都会带上
CLAUDE.md的内容，解决了 Stateless 问题。 - /init 的作用 ：
/init是初始化项目记忆的指令。每当CLAUDE.md改变，或者项目结构大改，重新执行/init可以刷新 AI 的认知，确保记忆同步。
2. 工具与执行层 (Tools & Execution)
解决痛点：无法主动操作
光有记忆不够，还得有手有脚。
- MCP (Model Context Protocol) ：标准化的工具连接协议。
- Skills：将复杂流程封装成技能。
- 执行钩子 (Hooks) ：在 AI 执行动作前进行拦截和校验，这是 Harness 的"缰绳"，防止 AI 乱删文件。
3. 约束与验证层 (Constraints & Verification)
解决痛点：概率性输出
- RAG (检索增强生成) ：先检索相关知识，再让模型生成，减少幻觉。
- 反馈循环：AI 写完代码 -> 自动运行测试 -> 如果报错，将错误信息回传给 AI -> AI 自我修正。这才是真正的 Harness，让模型在闭环中进化。
4. 上下文管理层 (Context Management)
解决痛点：上下文限制
- 记忆压缩：像人类的睡眠一样，定期整理记忆，将长对话压缩成摘要。
- 优先级调度 ：
CLAUDE.md是高频记忆，历史对话是低频记忆，合理分配 Token 预算。
📌 总结：从 Prompt Engineering 到 Harness Engineering
回顾 AI 发展的这几年，我们经历了一个清晰的演进路径：
- Prompt Engineering：像魔法师一样念咒语，试图通过精妙的语言控制模型。
- Context Engineering：开始注重上下文的投喂，RAG 技术兴起。
- Harness Engineering (现在) ：工程化驾驭。
我们不再迷信"咒语"，而是转向构建系统。
- Prompt 是点对点的控制。
- Harness 是系统级的治理。
在 2025 年的下半场，无论是 Claude Code、Cursor 还是国内的 CodeBuddy，谁能提供更完善、更灵活的 Harness 基础设施（更好的记忆管理、更强的工具调用、更稳的验证机制），谁就能真正驯服 LLM 这匹烈马，让 AI 从"聊天玩具"变成"超级员工"。
Harness Engineering，是 AI 落地的必经之路。