Agent Harness 的演进
2025 年圣诞节前后，AI 工程师们注意到智能体（agent）出现了一个变化：它们开始真正能干活了。具体是为什么，很难说清。也许是假期里大家终于有空，能拿最新的模型配最新的智能体挨个试一遍；也许是模型跨过了一道能力门槛；也许是模型外面那层封装（wrapper）成熟了。
我这篇文章想论证的是：后两者是共同起作用的。模型和外壳（harness）在各自进步，两条改进曲线恰好在那时交汇。理解了这种动态，就能明白接下来会发生什么：模型不断把外壳的职能吸收进自己的权重里，工程师不断删掉那些已经被吸收的部分，到最后留下来的外壳，服务的对象不再是模型，而是人的注意力。
Transformer 的发明者之一 Lukasz Kaiser 今年 6 月在播客 Unsupervised Learning 上说：
“去年冬天、去年圣诞节前后的那次变化，确实很难定位。我的意思是，外壳变了，后训练也稍微调整了，然后新的预训练模型又出来了……但那次感觉像是一个很大的跃迁，很难说是哪一样东西起了决定作用。”
所以“到底发生了什么”，答案不全在模型权重里，而在权重周围生长出来的整套系统里——也就是智能体的外壳里。
回想 2022 年 11 月，当时 ChatGPT 就是最先进的 AI 工具。它当时唯一的本事，是逐词预测下一个词元（next-token prediction），再加上一点基于人类反馈的强化学习（RLHF），让它能摆出一副乐于助人的姿态。没有工具，没有搜索，没有推理。最初的 ChatGPT 被
智能体框架（Agent Harness）的演进
有了框架，模型就能感知上下文、调用工具采取行动、持久化信息（通过记忆和压缩），并且守住自己的边界（通过权限和护栏）。
Harness 1.0：过去，「外挂时代」
纵观模型与框架的演进路径，有两条曲线贯穿始终：一条是框架对模型提出的要求，另一条是模型实际能交付的能力。两条曲线的差距，正对应着一个智能体的实际效能。我想说的是，Lukasz Kaiser 提到的智能体能力的显著提升，正是源于这条差距的不断缩小。下面按阶段看看这个差距是如何一步步缩小的：
ReAct：「纸面上的 Harness」（2022 年 10 月）
ReAct 是一种提示词技术，通过提示来引导模型进行推理。它是写在纸面上的智能体循环，完全独立于模型权重之外。它定义了「智能体循环」这个概念：模型推理 → 行动 → 观察 → 重复。
需要强调的是，ReAct 循环当时只是一种提示方法。那个时期，提示是唯一的推理手段，还没人管它叫「框架」。
Toolformer（Meta，2023 年 2 月）
同年冬天，Meta 的 Toolformer 让我们看到一种可能：工具使用可以不靠提示，而是直接训练进模型里。这有点像 Alan Turing 在计算机还没有物理实体之前就提出的设想——一个强大的想法，要等到后来才真正落地。（顺带一提，ReAct 比 ChatGPT 早一个月——前者是 2022 年 10 月，后者是 11 月。）
在这个时间点，两条曲线都几乎为零。差距很小，因为一切才刚刚开始。
AutoGPT/BabyAGI：「过早的自主」（2023 年春季）
AutoGPT 和 BabyAGI 的出现，让框架曲线一下子冲到了模型能力曲线前面。这两个项目都把完全自主权交给模型，让模型充当「自主员工」，但当时的模型本质上还只是脆弱的「下一个词预测器」。
循环本身不会给模型增加能力，它只是放大模型已有的能力。在能力低于某个门槛时，循环放大的不是可靠性，而是错误。想想负向复利的力量：单步可靠率 95% 的任务，跑 20 步下来，平均成功率只有大约 36%。框架交给模型的，是一个它实际上根本没机会完成的任务。
这是差距最大的时刻，接下来的18个月都在围绕弥合这一差距展开。Cursor/Copilot——“退回到人机协同”（2023–2024）：首批AI驱动的IDE意识到，给模型过多自主权会带来失败。它们的解法是把护栏曲线压到模型曲线之下，借此缩小差距：不直接把控制权交给模型，而是把控制权交给人类，让人类来编排整个流程，模型负责提速。Devin的第一个版本试图把自主权交还给模型。Answer.AI团队的一项测试显示，这一步仍为时过早，成功率仅约15%。这也证明，IDE主动放弃完全自主并非怯懦，而是正确的选择。然而，尽管当时的主流策略是把护栏压到模型之下，模型本身仍在持续进步。到2024年底，首个推理模型o1发布，差距第一次发生逆转，我们开始看到模型能力超出控制框架的苗头。Claude Code——“曲线相交”（2025年2月）：2024年底的逆转意味着，必须有人抓住这个机会：如果模型已经领先于护栏，那么一个刻意踩刹车的护栏就是在浪费模型的能力。Claude Code正是第一个为此而生的编程智能体。它抛弃了IDE，转向终端，直接把bash和文件读写权限交给模型，并用权限规则取代了每个变更都需要人工审批的机制。控制权重新回到模型手中，而这一次，它明白了自己要做什么。Boris Cherny和团队在设计Claude Code时，着眼的是下一代模型的能力，而非当前这一代。它之所以大获成功，不是因为它第一个给了模型自主权，而是因为它第一个在正确的时间这样做。那个时间点正是曲线交汇之处——模型已经足够可靠，足以在自主模式下成功完成任务。Claude Code在六个月内做到了约10亿美元的年经常性收入（ARR），完全是因为Anthropic在曲线开始交汇的那一刻，抓住了这个机会。
智能体控制器（Agent Harness）的演进
接下来发生的是：两条曲线不再只是交汇，而是开始交织缠绕在一起。
Harness 2.0：现在，“协同训练时代”
今天，harness 的重要性已经可以量化。Harness-Bench 用同一个模型、同一组 106 个任务，在不同 harness 下运行，得分从 52.4 到 76.2 不等——模型完全没变，分数却差了 23.8 个点。智能体的一半，就是 harness。OpenAI 在 ARC-AGI-3 上通过调整 harness 也得到了类似的结果：仅仅加入保留推理（retained reasoning）和压缩（compaction）能力，GPT-5.6 Sol 的 ARC-AGI-3 得分就翻了两倍，从 13.3% 涨到 38.3%。
表面之下的实质变化是：强化学习（Reinforcement Learning，RL）已经搬进了 harness 内部。OpenAI 在 2025 年 5 月发布 codex-1 时写道：“codex-1 通过在多种环境中的真实编程任务上应用强化学习进行训练。”两条曲线汇合，开始像一条统一系统那样彼此缠绕。这正是 Toolformer 的梦想照进现实：工具调用不再是从外部提示给模型，而是模型在自身环境中直接训练出来的能力。
随着模型在 harness 环境中被训练，它们开始把 harness 的能力吸收进模型权重里——比如学会结合自身上下文窗口的知识来自动压缩（auto-compact）。GPT-5.1-Codex-Max 发布时的描述是：“首个原生训练为通过压缩跨多个上下文窗口运行的模型。”
一旦模型吸收了 harness 的能力，harness 就可以卸掉脚手架。这是一种“做减法”的生产方式。Anthropic 的 Thariq Shihipar 提到，团队最近删掉了 Claude Code 系统提示词（system prompt）的 80%。衡量 agent harness 演进速度的标尺，就是：在保持同等能力水平的前提下，你能删掉多少 harness 的东西。
这就是我们作为 AI 工程师需要共同奔赴的未来。
于是，模型与 harness 的演进形成了一个循环：训练 -> 吸收 -> 剥离 -> 重复。模型再向上攀登到它尚不能胜任的下一件事。Kaiser 指出的那一次跳跃之所以难以界定，是因为它并不是一个离散的事件——预训练阶段的突破能被一眼认出，是因为你可以把它写进模型卡里说清楚。
而模型 / harness 的协同进化跳跃则没有那么直观，因为这一进化过程并没有留下文档记录。这正好解释了去年冬天的那次跳跃：它发生在模型与 harness 协同工作的缝隙之间。
我们要问的是：如果 harness 的每一项能力最终都会被模型吸收，那最后还剩下什么？
Harness 3.0：未来，「注意力时代」
不断删掉那些模型能够吸收的部分。想象一下，当这个过程走到终点，你的智能体会是什么样子？
当你删光了所有东西，手里还剩什么？模型权重接下来会吸收什么？可能是多智能体编排、工具选择、记忆——这些都有可能。
研究人员正在构建能够自我改进的 harness，它们本身就可以像模型一样被训练。
在这个「删除 → 吸收」过程结束时，留下来的，是那些以人为本的智能体能力：权限、身份、信任、可读性。
一个把权限吸收进自身的模型，实际上也就消解了权限。吸收并不会终结 harness，而是让 harness 反转过来。
harness 从此变成了智能体与操作者（人类）之间的接口。它最初诞生时，是人与模型之间的接口。我们从聊天框走到 IDE，再到终端。
如果模型吸收了面向计算机的能力，进化的下一阶段就要往上抽象一层。harness 就成了模型连接人类注意力的接口——也就是「注意力接口」。
Ryan Lopopolo 在 Latent Space 播客的「Extreme Harness Engineering for Token Billionaires」一期中说过：“唯一从根本上稀缺的，是我们团队同步投入的人类注意力。”
Token 已变得充足而可靠，但我们的瓶颈依然是人类那稀缺的注意力。
其实已经能看到一些苗头了，比如 Anthropic 长期运行的 agent 进度文件，以及 agent 审批队列。
模型吸收 harness 之后，模型曲线与 harness 曲线之间的差距并不会消失。它会迁移到人类边界上，重新形成一对曲线，以及一个新的差距。
这个新差距，就存在于「智能体向人类提出的要求」和「人类能够给出的回应」之间。
注意力接口（Attention-Interface）
我预测，一年之内，所有做智能体AI（agentic AI）的公司都会推出一个“人类注意力策略界面”（human attention policy surface），就像当初每家智能体AI公司都发布 AGENTS.md 一样。AGENTS.md 告诉智能体如何与你的代码库协作；而注意力界面会告诉智能体如何与你协作。它会规定：什么时候可以打断你，什么时候应该继续干活，哪些决定它可以自己做，哪些必须等你批准。
和智能体系统里的其他部件一样，这个界面也会成为系统中一个可学习的组件，数据越多，学得越好。你每一次纠正、每一次打回，都会变成有用的数据。
模型最初就像一颗缸中之脑——只有思维，没有身体。智能体框架（harness）给了这个大脑一副身体，而这副身体又在慢慢融回大脑。剩下需要我们亲手去建的，是未来任何模型都不会自己吸收掉的东西：通向唯一真正稀缺的资源——人的注意力——的接口。