川海智库

报告概述

报告以Harness Engineering为核心研究对象，系统梳理AI Agent工程实践从Prompt Engineering到Loop Engineering的演进历程，深入分析Harness Engineering的概念起源、要解决的七大问题及核心组件体系（约束、上下文、编排、反馈验证、可观测性、治理）。报告结合OpenAI Codex和Anthropic Claude Code的代表性实践，总结设计原则与工程模式，并展望Loop Engineering和Agent OS等未来方向。目标是帮助读者建立对Harness Engineering的系统认知，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，为设计落地可靠的Agent系统提供参考。

报告的核心结论

Agent工程范式从Prompt演进到Loop，工程焦点外移至系统控制。

报告指出，AI Agent工程实践经历了Prompt Engineering、Context Engineering、Harness Engineering和Loop Engineering四个阶段，呈现嵌套递进关系。工程重点从优化模型指令逐步外移到设计自动化循环系统，人类角色从写Prompt/代码转向设计环境与规则，最终实现让系统而非模型来驱动Agent持续完成任务。

Harness Engineering的核心公式是Agent = Model + Harness。

报告强调，模型提供智能，Harness提供可靠性。Harness作为模型之外的完整执行控制系统，通过约束（block）、度量（measure）、修复（repair）三大能力，解决任务漂移、上下文遗忘、执行失控、结果无法验证等关键问题，将不可预测的AI行为转化为可持续、可恢复、可验证的软件生产流程。

可靠Agent系统需遵循约束、循环、质量门三大设计原则。

报告归纳了三项核心设计原则：约束要小而明确（最小权限、显式约束、失败收敛），循环要可控可恢复（状态可恢复、反馈结构化、循环有边界），质量要可验证不可假设（验证优于信任、风险决定自主权、可观测性）。这些原则贯穿Harness从概念到实践的全过程。

Harness能力正从手工搭建走向平台化封装。

报告观察到，OpenAI将Memory、State、Orchestration等模块封装进ChatGPT Work产品，Anthropic在Claude Code中内置细粒度权限控制与上下文压缩机制。这标志着Harness Engineering的组件逐步下沉为标准化基础设施，未来Agent系统的竞争重点从模型能力转向围绕模型构建的执行系统能力。

报告回答的关键问题

什么是Harness Engineering？

Harness Engineering是AI Agent时代的新兴工程学科，围绕AI模型设计和构建完整执行环境（Harness）。其核心公式为Agent = Model + Harness，强调以约束、度量、修复为手段，为Agent提供可复现、可验证的执行环境，将AI能力从单次交互升级为生产级流程。

为什么Agent需要Harness而不是仅靠Prompt？

Prompt Engineering难以支撑长周期、多步骤任务，Agent容易因任务漂移、上下文遗忘、执行失控和结果无法验证而失败。Harness通过外部执行骨架、独立验证机制、状态持久化和权限治理，确保Agent持续、稳定、可控地完成任务，实现从“AI说完成”到“系统证明完成”的转变。

如何构建一个可靠的Agent系统？

报告建议遵循三层设计原则：约束层（最小权限、显式约束、失败收敛）确保行为边界；执行循环（状态可恢复、反馈结构化、循环有边界）保证稳定推进；质量门（验证优于信任、风险决定自主权、可观测性）独立验证结果。实践中需将规则从Prompt迁移到可程序化执行的Hook、State和Obligation机制。

OpenAI和Anthropic在Agent工程上有何异同？

两者核心关注点不同：OpenAI更强调工程任务完成，通过约束不变量、Agent互审和CI/CD集成让Agent像工程师一样工作；Anthropic更注重安全自主执行，通过细粒度权限（Allow/Ask/Deny）、上下文压缩和人机协作审批控制风险。但两者最终均走向约束控制行为、循环提升能力、验证保证质量的共同范式。

报告中的代表性数据

约100万行生产代码，1500个PR合并，三人团队几乎零手动编写代码

OpenAI Codex实证产出

2025.08-2026.01，该数据来自OpenAI内部案例，证明通过Harness Engineering（工程基础设施、约束不变量、Agent互审）可实现高可靠Agent-First开发，三人团队在5个月内完成大规模软件工程任务。

80.3%

Anthropic Claude Fable 5 SWE-Bench Pro成绩

截至2026年7月，Fable 5在SWE-Bench Pro基准测试中取得80.3%的成绩，显著超过GPT-5.6 Sol的64.6%，体现其在原始推理和工程任务上的优势，但需配合Harness机制实现安全自主执行。

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

  • AI Agent工程实践的完整演进历程：从Prompt Engineering、Context Engineering到Harness Engineering和Loop Engineering的嵌套关系与阶段特征。
  • Harness Engineering概念的起源与贡献：包括Mitchell Hashimoto的命名、OpenAI的Codex实证、Anthropic的工程文章等关键里程碑。
  • Harness要解决的七大核心问题：任务闭环缺失、裁判角色重叠、复杂任务失控、行为不可预测、长期失忆、多Agent协作混乱、AI开发无法规模化。
  • Harness核心组件体系的深度解析：涵盖约束层（架构约束、工具边界、权限控制）、上下文管理（知识、记忆、压缩）、编排与状态（工作流、多Agent、运行时）、反馈与验证（自动反馈、自动验证、任务契约）、可观测性（日志、度量、追踪）和治理（审计、人机协作、自我纠正）。
  • 三大设计原则的详细说明：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，并配有具体工程实践案例。
  • OpenAI Codex和Anthropic Claude Code的完整对比分析：包括核心理念、约束机制、执行循环、质量门控、关键机制和叙事重点。
  • 真实Agent系统构建的实践经验：四个阶段的演进实录（CLAUDE.md、Skill、Orchestrator、Hook），以及Memory+State+Event System落地、执行链路拆解、Obligation契约定义完成等具体方法。
  • 未来展望与前沿模型分析：从Prompt到Loop的持续演进、人机协作边界重新划分、持久化记忆与多Agent组织挑战，以及OpenAI GPT-5.6家族、Anthropic Fable 5、国内GLM-5.2的竞争格局分析。

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