川海智库

报告概述

本报告聚焦AI Agent从理论到生产落地的关键工程挑战——如何让Agent持续、稳定、可控地完成任务。报告首先回顾了Agent工程实践的四个演进阶段：Prompt Engineering、Context Engineering、Harness Engineering 和 Loop Engineering，指出工程焦点从模型提示逐步外移到自动化循环系统。核心部分深入剖析Harness Engineering的概念起源、核心思想与七大关键问题（任务漂移、执行失控、结果不可验证等），并构建了完整的架构框架，包括约束层、上下文与记忆层、编排与状态层、反馈与验证层以及可观测性与治理层。报告还详细梳理了三大设计原则：约束要小而明确、循环要可控可恢复、质量要可验证不可假设，并结合OpenAI Codex与Anthropic Claude Code两大代表性实践进行对比分析。通过一个真实Agent系统的演进实录，报告总结了从口头规则到程序化Hook的实践经验。最后，展望了Loop Engineering、人机协作边界重构以及模型竞争格局下的未来趋势。本报告旨在帮助读者建立对Harness Engineering的系统认知，为设计和落地可靠的Agent系统提供参考。

报告的核心结论

Agent的生产可靠性取决于Harness而非模型本身。

报告指出，模型提供智能核心，但真正决定Agent能否进入生产环境的是围绕模型构建的执行系统（Harness）。模型能力的提升并不意味着系统可靠性的提升，必须通过约束、循环和质量验证等Harness机制，才能让Agent从‘能用’走向‘可靠’。

Harness Engineering的核心范式是约束、循环与质量验证。

报告将Harness的设计原则归纳为三层：Constraints（约束要小而明确）决定行为边界；Execution Loop（循环要可控可恢复）保证执行过程稳定；Quality Gate（质量要可验证不可假设）建立独立验证机制。这三层共同构成构建下一代Agent系统的基础工程范式。

人机协作边界正在发生深刻重构，人类转向系统治理。

报告认为，随着Harness Engineering成熟，Agent正在接管执行、验证和常规决策，而人类的工作重心转向目标设定、约束定义和价值判断。人类负责定义空间，Agent负责在空间内高效搜索，这要求工程师从写代码转向设计与驾驭智能系统。

Harness能力正在从手工搭建走向平台化封装。

报告观察到，OpenAI将Memory、State、Orchestration等Harness模块封装进ChatGPT Work等标准产品中，Anthropic通过CLAUDE.md、MCP等机制提供内置能力。这表明Harness正从团队定制化工程转变为标准化基础设施，降低Agent开发门槛。

多Agent协作与持久化记忆仍是长期自主Agent的主要挑战。

报告指出，当前主流Agent多为任务导向，记忆与经验难以跨任务积累。未来Agent从‘任务型’向‘组织型/持久型’演进，仍需解决多Agent稳定分工、可控自我优化以及长期目标一致性问题，这需要底层架构的深刻变革。

报告回答的关键问题

什么是Harness Engineering？

Harness Engineering是围绕AI模型设计完整执行环境的新兴工程学科，核心公式为Agent = Model + Harness。它通过约束、度量和修复机制，解决任务漂移、执行失控、结果不可验证等问题，将AI能力从单次交互升级为生产级流程。

Agent落地生产环境面临哪些主要挑战？

报告归纳了七大挑战：Agent‘会做但做不完’、AI自己判断自己正确、复杂任务失控、行为不可预测、长期任务失忆、多Agent协作混乱、AI软件开发无法规模化。本质上，模型能力提升不等于系统可靠性提升，需要Harness提供外部控制。

如何让Agent持续、稳定、可控地完成任务？

报告提出通过三层设计原则：约束层（明确行为边界，如最小权限、显式约束）、循环层（保证状态可恢复、反馈结构化、循环有边界）、质量门（验证优于信任，依赖外部测试和审计）。并通过Hook等机制将规则程序化执行，确保‘系统证明完成’而非‘模型声明完成’。

OpenAI和Anthropic在Harness实践上有何差异？

OpenAI更关注让Agent像工程师一样完成复杂工程任务，通过工程基础设施、约束不变量和Agent互审（Ralph Wiggum Loop）追求高产出；Anthropic更强调安全自主执行，通过细粒度权限控制（Allow/Ask/Deny）、上下文压缩和人机协作审批确保可控性。两者最终都走向约束、循环、质量的统一范式。

Agent工程未来的演进方向是什么？

报告认为未来将走向Loop Engineering（长期自主运行与自我驱动）和Agent OS（组件下沉与标准化基础设施）。人机协作边界将重构，人类聚焦目标设定与约束定义。同时，多Agent组织、持久化记忆和长期自主性仍是待解决的难题，模型竞争将推动Harness能力平台化。

报告中的代表性数据

100万行生产代码、1500个PR

OpenAI Codex实证产出

2025.08 - 2026.01，三人团队在5个月内通过Agent-First开发模式生成约100万行生产代码、合并1500个Pull Request，几乎零手动编写代码，验证了高可靠Agent系统的可行性。

80.3%

Anthropic Fable 5 SWE-Bench Pro成绩

2026年，Claude Fable 5在SWE-Bench Pro评测中取得80.3%的成绩，显著超过同期GPT-5.6 Sol的64.6%，展现了原始推理智能的领先能力。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 完整分析Agent工程实践的四个演进阶段：Prompt Engineering、Context Engineering、Harness Engineering与Loop Engineering，阐述其嵌套关系与工程焦点外移规律。
  • 深入拆解Harness Engineering的核心组件体系：约束层、上下文与记忆层、编排与状态层、反馈与验证层、可观测性与治理层，并附架构图。
  • 详细对比OpenAI Codex与Anthropic Claude Code两大代表性Harness实践，从核心理念、约束机制、执行循环、质量门到关键工具，剖析两种路线异同。
  • 记录一个真实Agent系统的演进实录：从口头规则到CLAUDE.md、Skill、Orchestrator、Hook的四个阶段，总结控制权迁移经验。
  • 给出Harness实践的8条具体建议，包括问题分类、Prompt定位、Skill职责、约束模型、任务契约、完成验证等，可直接指导工程团队。
  • 展望Loop Engineering、Agent OS、人机协作边界重构等未来趋势，分析OpenAI GPT-5.6三档能力矩阵、Anthropic Fable 5以及国内GLM-5.2的最新动态与行业竞争格局。
  • 包含多组关键数据：OpenAI Codex的100万行代码实证、Anthropic SWE-Bench成绩、GPT-5.6与Fable 5性能对比，以及国内GLM-5.2的LMArena排名。
  • 提供完整的参考框架和设计原则总结，帮助读者从模型能力、运行环境到系统治理三个层面重新理解AI Agent的构建方式，并附有术语表和延伸阅读建议。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告