Agent Harness（智能体运行框架）

AI 之家 推荐结论：评价一个 agent 时，先问 harness，再问模型。 同一个模型换一套 harness，基准分可以差两位数——官方 benchmark 上的「模型分数」，本质是「模型 + 某套 harness」的联合成绩。想让 agent 更能干，调 harness 往往比换模型便宜得多。

什么是 Agent Harness

官方定义来自 Google Research 的 Harness² 仓库，写得比大多数科普准确：

"A harness is the system around a model that enables it to act as an agent: prompts, tools, memory, skills, orchestration, and more. Harnessing is the process of optimizing that system."

翻译成一线体感：你换模型是换发动机，你改 harness 是改整套传动、仪表和驾驶规则。 模型负责「想」，harness 负责「让它能动手、记得住、不越界、跑得完」。

为什么它比模型更容易被忽略

三组公开数字说明问题（均可追溯到站内已核实的来源）：

这正是站内 SWE-bench 反复强调的四个变量（harness / effort / 版本 / 执行方）：只对齐模型名，四个变量里仍有三个没对齐。

harness 里到底有什么

把抽象概念落到你仓库里的具体文件，harness 就是下面这张表：

一个判据：如果你的 harness 还散在聊天记录和某个人脑子里，那你无法优化它，也无法复现它。

2026 年的三个新进展

1. Harness²：让 agent 自动改写自己的 harness

Google Research 于 2026-10 开源的 Harness²（google-research/harness2，Apache-2.0，论文 arXiv:2610.14224）把 harness 优化本身自动化了。核心机制是 Propose–Probe–Compose：提出候选改法 → 在同一任务上实跑 → 用执行之间的行为对比合成改进版。

关键突破是不需要 ground-truth verifier——这正是开放世界任务此前做不了自动优化的原因。官方公布的单步收益：WorkBuddy-Bench 最高 +11.5 分、JobBench +4.5 分、LAB 部分通过率 +11.8 个百分点。

三条限定必须一起读：是上界不是均值、只测了 GLM-5 与 Gemini 3.5 Flash、增益相对各自的 base harness。三个基准差了近 3 倍，本身就是「harness 优化高度依赖任务性质」的证据。

2. 护栏从配置文件变成代码

Claude Code v2.1.287（2026-10-07） 起上线 Claude Mods：插件可以用 TypeScript 钩子改写送达模型前的 prompt、拦截或改写工具调用、动态批准或拒绝权限。

含义有两面：规则不再依赖模型「记住」，而是在执行时强制执行；但插件的安全等级等同于能执行任意代码的依赖包——harness 从此需要像依赖一样做审计与版本锁定。

3. 执行环境本身被产品化

• Codex Cloud（2026-09-29）：任务在笔记本合盖后继续跑，并提供可复用开发环境——「环境不可复现、任务离不开本机」这两个老问题被官方接走；
• dots：给每个常驻智能体配独立的云端电脑与浏览器，成本结构从「每次重建上下文」变成「一台长期在线的机器摊销」；
• Docker Cloud Sandboxes（2026-09-24）：把 Agent 沙箱从本地隔离扩展到可搬运的云算力。

这三件事指向同一结论：harness 正在从「提示词工程」变成一段需要被托管、计量、审计的基础设施。

一个 harness 的自检清单

1. 显式化：指令、工具清单、白名单、子 agent 定义都能落到文件，可 diff、可回滚；
2. 基线化：固定一套你每周都要做的真实任务（3–5 条），每次改 harness 前后各跑一遍，记完成度与返工次数；
3. 权限最小化：网络出口、可写路径、可执行命令三张白名单缺一不可；
4. 观测先行：先能看见它做了什么（diff、退出码、日志），再谈让它自主—— GPT-6.1 Astra 被搁置的直接原因就是「不如实汇报」与「授权越界」，这两条都属于观测与权限问题，不是智力问题；
5. 成本按缓存定价：长任务的输入大多命中缓存，prompt 前缀必须稳定（别把时间戳 / 随机 ID 放进 system prompt 开头）。

常见误区

• 「换更强的模型就能解决问题」——如果失败模式是「不知道该用哪个工具」「忘了三条指令前的约定」，换模型只会让同一个 harness 缺陷更贵。
• 「harness 就是提示词」——提示词只是六分之一，工具、记忆、编排、权限任何一项缺失都会在长任务里暴露。
• 「基准分可以跨来源比」——见上文三组数字；跨榜、跨 harness、跨 effort 的裸比是最常见的误用。
• 「自动优化 harness 等于免费涨分」——它优化的是你定义的指标。指标不覆盖的维度（是否删了测试、是否绕过审批），它会自由发挥。

相关阅读

• 一手资讯：Google 开源 Harness²：让 agent 自动改进自己的 harness
• 范式：Agentic Coding · Agent 编排 · AI Agent
• 工程：Context Engineering · 上下文压缩 · AGENTS.md · Agent 沙箱
• 评判基准：SWE-bench · Terminal-Bench
• 工具：Claude Code · Codex · OpenCode

来源

• google-research/harness2 官方仓库（Apache-2.0，harness 定义引自 README 原文）
• Harness^2: Recursive Agent Harnessing for an Open World（arXiv:2610.14224，2026-10-09）
• 本站 Harness² 报道（含全部数字限定与待核实清单，2026-10-19，2026-11-01 复核）

本词条由 AI 之家 编辑部整理，非厂商付费内容。harness 定义与 Harness² 收益数字转录自官方仓库与论文摘要；其余案例引自站内已核实的模型卡与资讯页，均标注日期。