从 Agentic 工程到 Harness 工程

近两年，agentic 成了 AI 圈最热的词。它的核心，是让大模型走出一问一答：调用工具 → 观察结果 → 决定下一步——行动与反馈构成闭环。靠这个闭环，模型第一次能替人做事，而不只是回答问题。

但多数应用停留在网页会话、读文件、跑命令、查资料、写文档这类简单动作上，面对复杂些的实际问题就无从下手：改了不该改的文件；上下文塞爆，越聊越糊涂；跑了半天，token 账单先到了；最尴尬的一种——让它清理后台进程，它把自己杀了（后面讲这个真实事故）。

这个落差，不在大模型本身不够聪明，而在模型的支撑系统。由此，最近一年工程圈多了一个新词：harness engineering。harness 本义是马具——把马力变成拉力的那套缰绳、轭具和车架。模型是马，harness 是驾驭它的整套装置，本文姑且译作

驾驭工程。

要看懂任何一个编码 agent——Claude Code、Codex CLI、OpenCode、Gemini CLI——三张图就够了：架构（谁在做事）、时序（何时发生、如何衔接）、控制逻辑（人如何介入）。本文以 Claude Code 为例拆这三张图，但结论对整类工具成立：它们的骨架是同一副。

一、架构：谁在做事

回答：谁在做事，靠什么相连。

先立一句总纲：模型出主意，程序干活。

云端的大模型是个无状态的推理引擎。它没有记忆——每一轮都"失忆重读"你发给它的全部内容；它没有手脚——碰不到你的文件系统，一条命令也执行不了。它唯一会做的事：读入一大段文字，输出一段文字，或者输出一个"我想调用某工具"的意图。

本地程序（harness）负责其余一切：读配置、拼请求、真正执行工具、管理进程和权限。

图 1 · 架构：谁在做事，靠什么相连

两个虚线区域是物理边界：左为本地电脑，右为云端。harness 左栏是内容资产——被程序扫描、被模型阅读的文件；右栏是运行机件——真正做事的机器。所有"智能"都在右上角的无状态大模型里，所有"能力"都在程序及其下游。一条阅读窍门：凡是紫色出现的地方，就有模型在参与判断——右上的大模型如此，权限闸门里的 auto 分类器小框也如此。会话存储中检查点与转录默认保留 30 天（可调），记忆文件则持久不清理。文件何时被装箱发送，见图 2；人握着哪些旋钮，见图 3。

这张图上有三件事值得停一下。

第一，harness 内部分两栏，性质完全不同。左栏是内容资产：记忆（Memory）、技能（Skills）、子代理定义（Agents）、插件（Plugins）——全是文件，自己不做事，等着被读。由于既要同程序交互、又要同模型交互，这些文件有个共同的对偶结构：上半段的元数据给程序读（决定何时加载、给谁用），正文给模型读（真正的指令）。右栏是运行机件：权限闸门、Hooks 引擎、子代理孵化器、调度器——全是程序逻辑，真正做事的机器。

第二，紫色的读法。图里凡是出现紫色，就有模型在参与判断。右上角的大模型是紫的；权限闸门里嵌着一个紫色小框——auto 档的闸门里坐着一个分类器小模型，专门替你审每个动作放不放行。这是把"模型"用在"管模型"上。

第三，子代理孵化器值得单独记一笔。它开出一个全新的循环：全新的上下文、裁剪过的工具集，分身独立干活，只把蒸馏后的报告交回来。一次真实测量：子代理调查代码时烧了 38k token 的上下文，主对话只收到一份几百字的报告——中间过程一个字都不占主对话的地方。这是对抗上下文膨胀最有效的一招。

二、时序：何时发生、如何衔接

回答：一次会话里，什么先发生、什么后发生。

架构图是静态的。真正的机制藏在时序里。

图 2 · 时序：一次会话里，何时发生什么

四条泳道：用户、程序、MCP 服务器、大模型。红色虚线框住两个关键区间——启动（只发生一次，配置清单就此定格）与循环（装箱 → 发送 → 意图 → 闸门 → 执行 → 回填，直到模型输出纯文本）。由这张图可直接推出三件事：① 上下文会膨胀——历史每轮全量重发；② 规则文件每轮生效——每轮都重新装箱；③ 改配置要重启——清单在启动时已定格。⚓ 标注的是 hooks 的主干挂载缝隙（全部约 30 个）；📸 是每条消息的自动检查点；✋ 是计划模式的人审闸。

看懂这张图的钥匙是"装箱"。每一轮，程序都把三件行李打包发给模型：① 系统提示词（内置指令 + 你的规则文件 + 记忆）、② 全部对话历史、③ 全部工具定义。模型对世界的全部认知，就是这三件行李——多一个字都没有。

由此可以推出（不是背出）三个日常现象：

• 上下文会膨胀。

  行李②每轮全量重发，工具结果不断写回历史，包越来越沉。这是长会话变贵、变慢、变糊涂的机制根源。

• 规则文件每轮生效。

  CLAUDE.md 这类文件被拼进行李①，每轮都重新装箱——所以改了立刻管用。

• 改配置要重启。

  工具清单、hooks 清单在启动时一次性定格（图里的红框"阶段一"）。会话中途新增的配置，这个会话看不见。

图里那些 ⚓ 锚点，是 harness 暴露的缝隙：执行工具之前（PreToolUse）、之后（PostToolUse）、模型说"我做完了"的时候（Stop）……约 30 个位置，每个都能插入一段你写的确定性脚本，这就是 hooks。

讲个真实事故，说明缝隙为什么重要。让 agent 清理一个后台进程，它执行了 pkill -f 模式串——而这个模式串恰好出现在它自己所在的命令行里，于是命令把自己所在的进程杀了，会话当场退出（exit 144）。怎么防？把"别这么干"写进规则文件，是劝说——进的是行李①，模型通常会听，但不保证。在 PreToolUse 这个缝隙插一段脚本，解析命令、检测自匹配、直接拒绝并给出替代写法，是强制——程序层执行，模型绕不过去。劝说会失效，强制不会。这个区分是 harness 工程里最值钱的一条。

三、控制逻辑：人如何介入

回答：从"教它"到"锁死它"，人有哪些控制手段。

前两张图讲机器怎么转。第三张图讲人怎么管。

图 3 · 控制逻辑：人握着哪些旋钮

八条层带从上到下：控制手段离模型越来越远、强制力越来越硬（左侧箭头即此轴）。层带颜色表示作用侧：紫=模型侧、蓝=程序侧、绿=OS 侧、琥珀=用户参与/劝说；右侧标注每层回答的问题，以及它对应图 1 的哪个构件、图 2 的哪个时刻。两极：⓪ 是"劝说"（改内容，模型可以不听），hooks 是"强制"（程序执行，模型绕不过）——hooks 贯穿各层，所以不单列；中间各层是劝说与强制之间的刻度。③ 里的紫色小框再次提示：auto 档的闸门里坐着一个分类器小模型。

八层旋钮，其实是一根轴：从劝说到强制。

最软的一端是 ⓪ 内容层：改 CLAUDE.md、记忆、技能，等于改写模型每轮读到的东西——教它，但它可以不听。往下逐渐变硬：② 计划人审（Plan Mode）让它先出方案、你批准了才动手，批准之前写入被硬阻断；③ 执行闸门给出六档权限模式，从 manual（逐条问你）到 bypassPermissions（全放行），中间还有 dontAsk 这样为无人值守设计的档——注意它的语义是"不问即拒"，不是"不问即做"。最硬的一端是 ⑥ OS 层：沙箱直接在操作系统上划白名单，权限规则之下再设一道物理防线。

单独说一下 ④ 调度层，它藏着一笔明白账。让模型每隔几分钟醒来检查一次部署状态，每次唤醒都是一次完整的推理调用，带着全部行李——这叫模型起夜，很贵。换成调度器的 Monitor：程序盯着输出流，一行匹配的日志都没有就什么也不做，事发那一刻才叫醒模型——程序值班不要钱。同一件事，成本差一个数量级。判断标准就一句话：静默期谁在值班？

四、站在 2026：哪些定了，哪些没定

已经收敛的：

• agent 循环同构。

  装箱 → 发送 → 意图 → 执行 → 回填，所有主流 CLI agent 都是这一个循环。这是方法论里最通用的一层。

• 工具总线收敛到 MCP。

  这套外接工具协议已被 OpenAI、Google 等采纳，跨工具通用性最好。

• 上下文文件正在收敛到 AGENTS.md。

  Codex CLI、OpenCode 等用这个开放约定；Claude Code 用 CLAUDE.md，Gemini CLI 用 GEMINI.md——名字不同，机制相同：进行李①的劝说层。

• 审批与沙箱思路一致。

  Codex CLI 的 suggest / auto-edit / full-auto 档位，与六档权限模式是同一根轴；沙箱用 Linux Landlock / macOS Seatbelt，与 bubblewrap 思路相同——权限之下再设 OS 防线。

还没收敛的：

• hooks 机制各家差异大。

  缝隙暴露多少、能不能拦截改写，没有统一约定。

• 子代理与多代理编排百花齐放。

  从单 agent 分身到编排几十上百个 agent 的工作流，各家路线分歧最大。

迁移到任何一个新 harness，问三个问题就能摸清底细：行李①②③分别在哪配置？闸门怎么设？哪些逻辑跑在程序侧、不经过模型？ 这三问，就是本文的全部内容压缩成一行。

五、结尾：下一层杠杆

harness 解决的是单回合的问题：安全、高效、可控地跑完"装箱 → 意图 → 执行"这一圈。

但工程师真正想要的往往是：交个任务，拿回一个验证过的结果——中间的反复试错、跑测试、修失败，不需要人一步步推。那需要在 harness 外面再套一环：目标、验证、状态、停止条件。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】