AI领域的技术演进，往往伴随着概念的重塑。最近，一个叫做Harness Engineering（马具工程）的提法开始频繁出现，它试图归纳一种更高阶的工程范式。我们先从两个最熟悉的AI工程范式说起：Prompt Engineering解决的是“怎么把问题问清楚”；Context Engineering解决的则是“怎么把信息喂对”。顺着这个逻辑往下推，问题就变成了：当模型能回答清楚、信息也给对了，怎么保证它能够稳定、可靠地完成一系列复杂任务，而不是中途跑偏或者凭空捏造？

答案，就是Harness Engineering。它跳出了单次交互的局限，站在系统架构的高度，通过任务规划、自动化验证、质量评估以及清理技术债等一系列手段，为大模型搭建一整套“运行底座”，让Agent真正能在软件开发这类复杂场景中发挥生产力。

这个思路，在OpenAI官方关于Codex的技术文章中，其实已被明确定义为“在智能体优先的世界中利用Codex”的核心方法论。

核心概念演进：三代AI工程范式

Prompt Engineering（提示词工程）

研究如何精准组织、优化输入提示词，清晰表达人类需求，让大模型准确理解意图并输出符合预期结果的技术。这是最直观的一层。

Context Engineering（上下文工程）

研究如何管理、优化大模型接收的全部上下文信息，在上下文容量限制下，动态筛选、压缩、补充有效信息。它的核心技术包括：上下文压缩、动态外部检索、信息间接披露等。简单说，就是想办法让模型看到“最关键的那部分内容”。

Harness Engineering（驾驭工程）

Harness的本义是马具。大模型再强，说到底也像一匹脱缰的野马——能力极强但容易发散、产生幻觉、偏离任务。而Harness就是那套约束、驾驭、规范大模型的系统框架。它是一门围绕大模型搭建完整、稳定、可控Agent系统的工程方法论；它不研究模型本身，专注模型之外所有配套体系的设计、构建、优化与运维。

三代范式的层级关系

Harness Engineering

为了便于理解，可以把它的核心拆解为三个关键动作：上下文管理、验证与反馈、技术债清理。

上下文管理

早期让Agent了解一个项目，做法十分粗糙：把项目规范、文档、规则一股脑塞进一个巨大的agent.md文件，每次请求都整体喂给大模型。结果呢？两个致命问题：内容越多，效果越差；文件逐步腐化，再也无人愿意维护。

当下最有效的方式是反其道而行。把主文件压缩到仅约100行，只充当目录索引，不存放具体业务内容。然后，把规范、架构、业务文档分门别类单独存放。用到哪一块，就只给Agent加载哪一块内容。这就叫精准投喂、避免信息过载。

验证与反馈

光给信息还不够，Agent写完代码后，还得解决自我校验、自动改错的问题，才能保证最终输出的准确率。OpenAI是怎么做的？给Codex配置完备的工具能力和skills，让它能在任务中随时随机验证自己的输出。

举个例子：接入Chrome开发者工具，让Agent能自动截图、查DOM、模拟用户操作，自主校验UI效果，有问题就地修复。写完代码后，自动触发代码检查和测试；不合规则直接抛错，错误信息回流给Agent自动修改，反复迭代自检，直到完全符合架构和代码规范。全程无需人工参与。

技术债清理

AI Agent大规模批量生成代码时，很容易产生代码冗余、设计不规范、架构违规、命名风格不统一等问题。这些东西长期堆积，会像垃圾一样拖垮整个代码库质量。

OpenAI的解决思路是自动化垃圾回收式治理：后台常驻Codex定时任务，自动全量扫描代码库，识别不规范、有隐患的代码并自动修复、提交；同时，增设文档巡检后台任务，定期核对文档与实际代码，自动修正过时、不符的文档内容。代码与文档双向常态化维护，不让问题堆积，长期稳定保持项目质量。

Harness Engineering的核心思想

OpenAI那篇《工程技术：在智能体优先的世界中利用Codex》最关键的断言其实只有八个字：人类掌舵，智能体执行。它重新定义了软件工程师的新职责：不用再亲自逐行手写代码、查报错、跑测试，而是把工作重心转变为——为Agent搭建稳定可靠的支撑系统、规则框架与Harness体系，以此最大化AI的研发效率。这个判断的分量，值得反复咀嚼：Harness Engineering的核心不是让AI单纯写代码，而是给AI搭建一套能稳定干活的完整运行环境与约束体系。

Anthropic的Harness Engineering实战

Anthropic围绕长时间运行的Agent，发布了两篇具有延续性的技术文章，形成了从“环境配置”到“架构升级”的完整探索脉络。其核心逻辑可以归纳为两大模块：任务规划与质量评估。

任务规划：从INITIALIZER到Planner的演进之路

在第一篇文章中，Anthropic让Agent去克隆Claude.ai（一个类ChatGPT的聊天产品）。结果呢？Agent盲目执行，效果极差。问题有两个：一是急于完成所有功能导致上下文溢出、任务中断；二是多Agent衔接混乱，后续Agent因信息不全误判进度，最终无法达成目标。

核心问题在于缺乏有效的任务规划。而Harness Engineering的价值，就是通过机制设计，实现Agent执行过程的可控。

• 第一版方案：INITIALIZER Agent——初始化环境与需求拆解

针对上述问题，Anthropic引入了INITIALIZER Agent。它的核心作用是初始化执行环境，规避任务混乱。具体职责包括：拆解需求为可执行的功能列表、编写启动脚本、添加进度文件。其中，需求拆解是核心——它能确保执行Agent按功能点稳步推进，从根本上解决上下文溢出和衔接问题。

• 第二版方案：Planner Agent——专注需求拆解的专业化升级

在第二篇文章中，Anthropic将INITIALIZER的需求拆解功能剥离出来，打造了更专业的Planner Agent。Planner Agent专注于将模糊需求转化为清晰的功能列表（包含要求、优先级和验收标准），与执行Agent形成专业分工。这样做既提升了效率与准确性，也增强了Harness架构的适配性。

质量评估

质量评估是Harness Engineering的核心环节。必须建立一套闭环机制，确保代码产出合格。Anthropic经过三次迭代，最终确定了一套高效客观的评估方案。

先试人工评估，效率太低；再试Agent自评，发现存在主观滤镜，无法发现自身bug，两者均被废弃。最终方案是引入独立的第三方Evaluator Agent，专门评估Generator的代码产出。评估更客观，而且可以单独优化训练，强化质量管控。

至此，Planner（规划）、Generator（生成）、Evaluator（评估）三大Agent形成了明确的分工体系，构成完整的Full Harness方案。

三大Agent协同流程清晰，保障了任务可控：

• Planner拆解用户需求为功能列表，发送给Generator；
• Generator选取一个功能点，与Evaluator确认交付标准，直至达成一致；
• Generator生成代码并提交评估，不合格则修改重提，直至通过。