摘要：2026年，AI圈正在形成新共识：大模型的能力不再是瓶颈，真正的瓶颈是如何让模型持续、稳定、可复用地产出价值。斯坦福联合Meta将Harness形式化为Agent执行系统的三大属性，CMU等机构提出ETCLOVG七层框架。LangChain仅优化Harness设计，编码Agent成绩从52.8%提升到66.5%，全程模型固定。同一模型，编码基准分数可从6.7%跃升至68.3%。
一、Harness是什么：Agent = Model + Harness
"Harness"直译是"马具"。模型是一匹马力很强的马，能跑，但你没法直接控制它往哪跑。Harness就是那套缰绳和车厢，把模型和让马真正拉车干活的组件------文件系统、终端、API、权限、上下文------绑在一起。
2026年5月斯坦福联合Meta发表的《Code as Agent Harness》形式化了三大属性：
| 属性 | 核心问题 |
|---|---|
| 可执行性 | 验证Agent实际做了什么，而非说了什么 |
| 可检查性 | 失败时产生可操作的诊断输出 |
| 状态性 | 会话间保持连续性，状态外部化 |
Anthropic数据显示，99.9百分位会话持续时间已超45分钟------状态性不是可选项。
二、ETCLOVG七层框架
CMU、耶鲁、亚马逊联合发表的Harness工程综述，将2022到2026年工程重心概括为三个阶段：提示工程（2022-2024）→上下文工程（2025）→Harness工程（2026至今）。
ETCLOVG七层框架中，前四层决定Agent能做什么，后三层决定做得对不对：
| 层级 | 职责 |
|---|---|
| 执行环境 | 决定Agent代码在哪里运行、受什么约束 |
| 工具接口 | 定义外部能力如何被描述、发现和调用 |
| 上下文管理 | 决定模型在短期、会话级和持久化层面能看到什么 |
| 生命周期与编排 | 覆盖从单Agent循环到多Agent协作的完整工作流 |
| 可观测性 | 捕获轨迹、成本、失败和可靠性信号 |
| 验证 | 把任务和轨迹转化为评估、失败归因和回归反馈 |
| 治理 | 通过权限、身份、策略、审计和人工监督约束系统行为 |
三、实战数据：13.7个百分点，模型没换
LangChain团队用Trace分析将编码Agent在Terminal-Bench 2.0上从52.8%提升到66.5%，全程保持GPT-5.2-Codex固定。
最常见的失败模式是：Agent写方案后重读代码、确认看起来没问题就停止------不执行测试验证。解决方案是在System Prompt中加入"Plan→Build→Verify→Fix"结构化指引，用中间件在Agent退出前强制提醒验证。
关键发现：提升主要来自tools、middleware和long-term memory的优化，而不是system prompt。
四、五条自进化路线
| 项目 | 核心贡献 |
|---|---|
| AutoHarness（DeepMind） | 让模型自动生成代码形式的Harness，拦截非法动作 |
| Meta-Harness（Stanford） | 把Harness当可搜索代码对象，Token消耗减少约1/4 |
| AHE（复旦/北大） | 10轮迭代将Terminal-Bench 2从69.7%提升到77.0% |
| Self-Harness | Agent不依赖工程师，自主改进运行Harness |
| DeepSeek Harness | "一切皆插件"，MIT开源，6天16.7万星 |
五、50行代码的最小实现
一个Mini Harness核心结构不到50行，包含三大属性：实际执行工具调用（可执行性）、每步输入输出可追溯（可检查性）、messages列表维护完整会话状态（状态性）。
模型看"智商"，Harness看"系统工程能力"。谁能在Harness层建立真正的工程能力，谁就能拿到那决定性的30个百分点。
查看原文
以上仅为核心速览。完整版包含：ETCLOVG七层框架完整拆解、AutoHarness/Meta-Harness/AHE/Self-Harness五大自进化项目架构详解、DeepSeek Harness插件开发完整代码、LangChain Harness优化六步流程、Mini Harness完整Python实现、六大应用领域实践数据与七项开放挑战。
本文首发于「阿Q的AI笔记」，点击下方链接阅读全文：