Harness Engineering：AI Agent时代的执行层革命 (一)Harness编年史
目录
黑暗纪元：提示词就是全部#
要搞懂 Harness Engineering 为什么在 2026 年 2 月突然冒出来，得退回 2022 年。
那时候，跟 AI 协作只有一种姿势：打开聊天框，敲字，复制，粘贴。ChatGPT 让人惊呼「这东西真能写代码」，但这终究是一次性买卖。你问，它答，你粘，完事。
于是有了第一门手艺：提示词工程（Prompt Engineering）。
它的逻辑很直接：AI 吐出来的东西不对，那是你没说明白。一时间，「提示词专家」满天飞，研究怎么用不同的句式、结构、示例来哄 GPT-3 或 GPT-4。Few-shot、Chain-of-Thought、角色扮演……招式越来越多，到 2023 年，这套拳法已经相当严密。
但提示词工程有个硬伤：它只管这一锤子。你捏了个完美的提示，拿到了完美的输出。清空上下文，下一局，一切归零。没记忆，没积累，不成系统。
这道坎在 2023 到 2024 年，Agent 概念火了之后，彻底藏不住了。Agent 不是一问一答，它是个跑在循环里的系统——读文件、写代码、调接口、跑测试，自己转。这时候，死磕单句提示词就显得滑稽了。因为一个跑几十步的 Agent，前面偏一毫米，后面就飞到九霄云外去了。
这就逼出了第二套玩法：上下文工程（Context Engineering）。
中场：上下文工程的崛起#
2025 年，AI 编程工具不再是玩具。Cursor、Copilot、Claude Code 真正嵌进了工程师的日常。大家开始把代码库的钥匙交给 Agent，让它们在真实代码里跑。
问题变了。不再是「怎么把话说明白」，而是「我该给它看什么」。项目里几百个文件，Agent 的脑容量（上下文窗口）就那么大。塞哪些文件、哪段文档、什么历史记录，它才能做对判断？
上下文工程就是干这个的。它盯着模型推理时的输入窗口。RAG、智能检索、Token 压缩……这套栈在 2025 年迅速熟透。
但它只解决了「让 Agent 看到对的信息」，却对另一个更深的坑束手无策：
Agent 看到了对的信息，但还是做了蠢决定。更要命的是，它下次还会照样犯蠢。
这才是 2026 年初那场爆发的真正底色。
引爆点：两篇文章掀了桌子#
2026 年 2 月 5 日，Mitchell Hashimoto 在博客发了篇《My AI Adoption Journey》。
这哥们是谁？HashiCorp 联创，Terraform 作者。后来自己写了个终端模拟器 Ghostty，代码漂亮得让圈里老手叹气。他说话，工程师会听。
文章写他怎么从 AI 怀疑论者变成重度依赖者。前面四步平平无奇，但第五步，他写了这么一段：
「我现在把这个叫 ‘harness engineering’。它的逻辑是：每次你发现 Agent 犯错，你就花时间搞个方案，让它永远没机会再犯同样的错。」
这话之所以重，是因为它掀了桌子。在提示词和上下文的世界里，Agent 一出错，工程师的本能是「换个 Prompt 试试」。Mitchell 把这事反过来看：Agent 出错，是你欠了工程债，不是 Prompt 没写好。你要做的，是建个机制把这类错误物理超度。
这就是「Harness」这个比喻最毒的地方。Harness，马具。马（模型）很聪明，但没缰绳、辔头、马鞍这套物理约束，你根本驾驭不了。工程师的新角色变了，不当赶马人，去当马具设计师。
巧的是，6 天后，OpenAI 发了篇官方博客：《Harness engineering: leveraging Codex in an agent-first world》。
文章讲了个内部实验：三个工程师，带个 Codex Agent，五个月搞出了一百万行代码的产品。人类一行没写。算下来，每人每天合 3.5 个 PR。
数字很唬人，但更狠的是复盘：整个工程里，最难的根本不是让 AI 写代码，而是给 AI 搭那个让它能靠谱干活的脚手架——工具、约束、文档结构、反馈回路、架构规范。
OpenAI 把这套东西也叫 “harness”。
一周之内，独立开发者和最头部的 AI 公司撞了同一个词。这把火，就这么点着了。
框架：Martin Fowler 定调#
Hashimoto 点火，OpenAI 背书，Martin Fowler 则是那个把火吹成燎原之势的人。
作为《重构》作者、软件工程界的祖师爷，他网站上的文章是拿来反复嚼的。4 月 2 日，他的团队发了篇深度长文《Harness engineering for coding agent users》，给 Harness Engineering 钉了个架子。
他们切了两个维度：
第一个维度：方向。
- 引导（Guides）：防患未然。在 Agent 动手前就把规矩立好，拉高首刀命中率。比如
AGENTS.md、架构约定。 - 传感器（Sensors）：事后纠偏。Agent 干完活，看一眼结果，让它自己改。比如自动化测试、Linter、CI 流水线。
第二个维度：执行类型。
- 计算型（Computational）：死磕确定的事。CPU 跑，毫秒级，绝对靠谱。测试、类型检查、结构分析。
- 推理型（Inferential）：让大模型来。慢、贵、有点玄学，但能干需要语义判断的活。比如 AI Code Review。
这架子一搭，“Harness Engineering” 落地了。你不再是瞎喊「给 Agent 加约束」，你会明确地说：「这传感器该用计算型还是推理型？这引导放 CI 前还是后？」
Fowler 还抛了个词：「可驾驭性（Harnessability）」。代码库有多适合套马具？强类型、边界清、测试全，就好套。全是隐式耦合、没测试的屎山，你连缰绳都不知道往哪栓。
扩散：「这不就是我一直在干的事吗？」#
不到俩月，这词火透了。最有意思的是，大家不是在学新东西，而是终于知道自己每天在干嘛了。
Reddit 和 Twitter 上满屏的：「对对对，就是这个词。」
接着就是硬核数据。LangChain 3 月份发文，模型没换，光改了自家 Agent 的 Harness，Terminal Bench 2.0 跑分硬生生从 52.8% 拔到 66.5%，杀进 Top 5。
同一个模型，换套马具，提了 13 个点，顶得上模型迭代两代。这数字成了最硬的广告。
Cursor 专门开了个坑招 “Software Engineer, Agent Harness”。Stripe 讲他们内部 Agent 系统的文章，句句不离 Harness 的逻辑。清华和斯坦福的论文也在论证这事。
大家反应过来了：模型越来越像，拉开身位的其实是基建。谁在埋头打磨马具，谁就能吃掉那些死盯着 Benchmark 数字的人的午餐。
Fowler 甚至预言：Harness 会成为未来项目的标配。就像现在建个项目必有 Dockerfile 和 CI 配置一样。
结语：共识有了，基建还在路上#
到 2026 年 4 月，这事就一个状态：概念立住了，手感还在找，工具链一团糟。
GitHub 上有了 awesome 列表，初创公司开始冒头。但硬骨头还在：
Agent 写的测试不靠谱，怎么保证它真写对了？代码在变，马具怎么不生锈？连个量化 Harness 覆盖率的指标都没有。
这很像 2008 年的敏捷开发。大伙都知道瀑布流该死，Scrum 是对的，但到底怎么落地，吵成一锅粥。后来花了五年，标准实践和工具链才真正跑通。
Harness Engineering 大概也要蹚这五年。这不是唱衰，而是说现在只是赢了认知战。真正的基建战才刚开打，谁先摸透这套哲学，谁手上就多把好牌。
这里还没有任何文章可以列出。