摘要
本文分析了三个时代Agent发展过程来帮助理解Agent Harness形态的演进和未来方向
2025 年圣诞节前后，AI 工程师们注意到 Agents 出现了变化：它们终于能用了！但很难精准定位背后的确切原因。或许是模型跨过了某个能力阈值；又或许是模型外面的包装层已经发展成熟。
本文的核心观点是，上述后两个因素共同促成了这一变化。模型与 Harness 同步迭代提升，二者性能提升曲线恰好在某个时间点交汇。这套演变逻辑也能帮我们预判后续走向：模型不断把 harness 的能力吸纳进权重，工程师把已经被模型吸收的脚手架不断删掉，最终留下来的 Harness 不再服务模型，而是服务人类注意力。
Transformer 的发明人之一 Lukasz Kaiser 在 6 月的《无监督学习》播客中提到：
“去年冬天、圣诞节前后发生的变化，很难说清根源到底在哪。Harness 发生了改动，后训练流程也做了小幅调整，又有新预训练模型问世…… 但整体能感受到一次巨大跃升，却很难确定到底是什么带来了这次提升。”
“到底发生了什么？”答案不能只从模型权重里找，答案藏在围绕权重搭建起的整套系统中
答案就在 Agent Harness 当中：
回想 2022 年 11 月，ChatGPT 是当时最顶尖的 AI 工具。它仅具备下一个 token 预测能力，RLHF让它可以扮演有用的助手。没有工具调用、没有搜索、也没有推理能力。
初代 ChatGPT 被禁锢在训练数据和用户输入的 prompt 内，能力仅此而已。它就是缸中之脑。
Agent Harness 就是让大语言模型挣脱这层禁锢、与真实数字信息空间产生交互的一套机制。
Harness 到底是什么
定义：Agent Harness 是除模型权重之外，让 Agent 可以正常运转的全部组件。包括模型周边的运行环境、工具、上下文以及防护约束。失去 Harness，模型就只是缸中之脑。它可以产生判断，但必须依靠 Harness才能把判断落实到真实数字空间中执行。
Harness 相当于给模型的思维赋予一具躯体。依托 Harness，模型可以感知信息（上下文）、执行动作（工具）、持久留存信息（记忆与信息压缩），并执行自身的行为边界约束（权限与防护规则）。
Harness 1.0：过去，外挂拼装时代
模型与 harness 的演进过程可以用两条曲线描述：Harness 对模型提出的能力要求，以及模型实际能输出的能力。
两条曲线之间的差值，就对应 Agent 的实际效果；而两条曲线差距不断收窄，正是Lukasz Kaiser 所提到 Agent 出现肉眼可见进步的根源。
下面分阶段讲述这个差距是如何逐步缩小的：
接下来两条曲线不再仅仅交汇，而是开始交织缠绕在一起。
Harness 2.0：当下，联合训练时代
如今 Harness 的重要性已经可以量化验证。Harness‑Bench 基准测试，使用同一个模型，在不同 Harness 下运行 106 项相同任务，最终得分区间 52.4‑76.2 分。模型本身没有任何改动，分数差距却高达 23.8。Agent 的能力有一半来自 Harness。
OpenAI 也通过修改 Harness，在 ARC‑AGI‑3 基准上拿到类似结果。仅增加retained reasoning与信息压缩能力后，GPT‑5.6 Sol 在 ARC‑AGI‑3 上的得分直接翻三倍，从 13.3% 提升至 38.3%。
底层发生的变化是强化学习RL已嵌入到 Harness内部。OpenAI 在 2025 年 5 月 codex‑1 发布公告中写道：
“codex‑1 针对不同环境下真实世界编码任务做强化学习训练。”
两条曲线合二为一，交织成一套统一系统。
Toolformer 当年的构想终于落地成真。工具调用不再靠提示词诱导，而是模型训练出的能力。
当模型在 Harness 环境中完成训练，就会把 Harness 的能力吸收进自身权重，例如模型会结合自身上下文窗口特性，学会自动做信息压缩。
GPT‑5.1‑Codex‑Max 发布说明写道：
GPT‑5.1‑Codex‑Max 是“首款经过原生训练，可以靠信息压缩跨多上下文窗口运行的模型。”
一旦模型吸收了 Harness 的能力，Harness 就可以剥离对应的脚手架代码。这是一种做减法的工程生产方式。Anthropic 的 Thariq Shihipar 提到，团队最近删掉了 Claude Code 里 80% 的系统提示词。
衡量 Agent Harness 演进速度的标尺，就是在维持同等能力前提下，可以删掉多少 Harness 的原有逻辑。这正是 AI 工程师应当奔赴的工程方向。
于是模型与 Harness 的演进循环就是：训练‑>吸收‑>剥离脚手架‑>循环往复。模型不断去攻克下一个自己尚且做不到的任务。
Kaiser 提到的那次能力跃升之所以难以溯源，是因为它并不是一个独立离散事件。预训练带来的提升很容易感知，可以直接写进模型卡片；但模型‑Harness 协同演进带来的提升却很难追踪，因为这个演进过程没有文档记录。这就是去年冬天那次跃升的谜底：提升来自模型与 Harness 协同工作的交互地带。
值得考虑的是：如果 Harness 的每一项能力最终都会被模型吸收，那最后还会剩下什么？
Harness3.0：未来，注意力时代
持续删除所有可以被模型吸收的逻辑。想象走完这个全过程之后 Agent 会是什么样子。当你删完所有可被吸收的部分，手里还会剩下什么？
模型权重接下来还会吸收哪些能力？多 Agent 编排、工具选择、记忆机制，这些都有可能。很多研究人员正在开发可以自我迭代优化的 Harness，它们本身也可以像模型一样接受训练。
经过这一轮删除与吸收，最终留存下来的是以人类为核心的 Agent 能力：例如权限、身份、信任、可解释性。倘若权限逻辑被模型完全内化吸收，权限本身的概念就会消解。能力吸收并不会消灭 Harness，只会把 Harness 的角色彻底反转。
Harness 会转变为 Agent 和操作人间的交互接口
Harness 诞生之初，是人类对接模型的接口。交互形态从聊天框，演进到 IDE，再到终端。当模型把面向计算机的能力全部内化之后，演进就会上一个抽象层级。Harness 会变成模型对接人类注意力的接口。
它演变为注意力接口（attention‑interface）
Ryan Lopopolo 在 Latent Space《面向百亿 token 规模系统的极致 Harness 工程》播客节目中谈到：
“真正本质稀缺的资源，是团队成员同步的人类注意力。”
Token 已经变得充足且稳定，但是稀缺的人类注意力依旧是系统瓶颈。
我们已经可以看到该方向的雏形，比如 Anthropic 的 Agent 长期任务进度文件、Agent 审批队列。
当模型吸收 Harness 能力之后，模型与Harness 间的差距并不会消失。原先的差距转移到“人”这一侧，由此产生一套新的曲线关系，也出现了新的曲线gap。这个gap就是 Agent 对人类提出的需求，和人类实际能够输出的反馈间的落差。
注意力接口
我预测一年之内，所有做 Agent AI 的公司都会推出一套人类注意力策略配置界面，就像如今各家 Agent 厂商都会提供 AGENTS.md 文件一样。
AGENTS.md 用来告诉 Agent 如何和你的代码库交互。而注意力接口会告诉 Agent 如何与你协作。它管控 Agent 什么时候可以打断你、什么时候应当静默继续后台运行、哪些决策可以自行完成，哪些决策必须等待你的审批。就像 Agent 系统里其他组件一样，这套接口也会成为可学习组件，依靠数据持续迭代优化。人类每一次纠正，都会转化为有效训练数据。
总结：模型始于缸中之脑。Harness 给这颗大脑赋予躯体，而后躯体又逐步消融，融入大脑本身。留给我们去构建的，是未来任何模型都无法内化吸收的东西：唯一真正稀缺资源 ——人类注意力 的接口。
