如果你在10月中旬打开知乎、B站或小红书，大概率刷到过同一个词：Harness Engineering。腾讯技术工程10月16日发了一篇《3个月用Harness重写90万行旧代码》，知乎上《Harness Engineering的本质是什么》挂着1600+赞同和3500+收藏，B站一条"Anthropic工程师：99%的人把Claude Code当搜索引擎用，只有1%在搭harness"的熟肉被收藏了92次，小红书上"同一个AI换个壳，正确率从62%掉到33%“的帖子底下全是在问"我是不是也该搭一套”。
这篇不重复讲"Agent是什么"，只解决三个此刻真正卡着你的问题：这个突然爆火的概念到底是什么、它跟已经会用的Prompt/Context工程/MCP/Skill是什么关系、以及你这种日常用Claude Code或Codex干活、偶尔自己搭Agent的中等以上选手，值不值得投入，从哪儿下手。
这波不是10月才开始的：先分清"热词"和"学科"
把时间线捋直，能帮你判断它到底是又一波营销还是真东西。按知乎高赞回答（响水大米，赞同1638、收藏3549）的梳理：Anthropic工程博客在2025年下半年连发了三篇关键文章——《Effective Context Engineering for AI Agents》（2025年9月发布，两周内50万阅读）、《Effective Harnesses for Long-Running Agents》和《Harness Design for Long-Running Application Development》；OpenAI跟着发了GPT-5.3-Codex配套的长任务指南，演示Agent连续跑25小时不崩，并给出Shell+Skills+Compaction三大基元。GitHub上甚至有了专门的awesome-harness-engineering资源仓库，追踪各家harness设计。知乎
也就是说，"厂商在教你搭挽具"这件事已经铺垫了大半年，10月在国内社区引爆的，只是延迟传播：腾讯90万行重构实践（10-16）、李宏毅课程里的Harness笔记（10-08）、《十一个编码智能体的源代码解剖》（10-06）、Addy Osmani框架综述的中文转述（10-10）、DeepSeek Harness给Claude Code Mods做兼容（10-04，知乎提问207条评论、53万播放）、开源项目free-claude-code宣称能免费跑11种harness冲上GitHub热榜（10-13，59k星）。讨论密度和互动量都是真信号，不是单篇软文能刷出来的。
概念先钉死：Agent = Model + Harness，你不是模型，你就是harness
现在社区里最容易被带偏的，是把harness理解成"套在模型外面的一层壳"，然后跟Prompt工程、Context工程、框架、MCP搅成一团。用被转引最多的Viv Trivedy的公式最省事：Agent = Model + Harness。如果你不是模型，你就是Harness。除模型本身之外的全部代码、配置与执行逻辑——工具怎么注册、循环怎么转、上下文怎么进、失败怎么拦、权限怎么管——全在harness层。知乎
这对你有个立刻可用的推论：Claude Code、Cursor、Codex、Aider、Cline，本身就是不同的harness。同一个底层模型，你体验到的行为差异，主要由harness主导。至于跟MCP和Skill的关系，小红书上一条被收藏30次的帖子用了个很顺的类比：Plugin/Mod改的是身子，MCP是手和脚，Skills是手册——harness是把这些装配成能上路的那匹马的整套挽具。 框架解决"怎么搭出来"，harness层解决"怎么可靠地跑"，这也是"大模型正在逐步吸收框架层"说法的由来：模型每升一代，吸收掉一部分你手工搭的脚手架，剩下的工程杠杆就往下挪一层。小红书
“换个壳成绩差一倍”，哪些数字能信
社区流传的一批量化结论是这波热度的燃料，但信源等级差别很大，这里分层给你：
厂商/公开基准侧：Terminal Bench 2.0上，Opus 4.6在Claude Code里的得分明显低于同一模型跑在定制harness里的得分；Viv的团队只改harness、不换模型，把编码智能体从Top 30推到Top 5（出自Addy Osmani综述的中文转述）。 小红书"6个零件"帖整理的Anthropic博客数据：按需加载工具让Opus 4.5准确率从79.5%升到88.1%；把MCP工具定义改写成代码调用，从15万token压到2千；LangChain不换模型只改harness，Terminal-Bench涨了13.7分；Claude Code上沙箱后权限弹窗减少84%。知乎小红书
要打折看的：62%→33%、23→45这类"同模型换壳"对比，多为二手转述，测试集和口径不明，当段子转没问题，当选型依据不行。小红书
反证更要看：Apple和EPFL 9月底的论文（经小红书转述）显示，强模型配一个只有read/write/bash三工具的极简agent，能打平4个复杂开源自部署harness。 这意味着harness不是零件越全越好——每个零件都在假设"模型自己做不到"，模型一升级，你就得重测哪些约束已经多余。响水大米那篇高赞回答里也有清醒一句：靠堆规则去跟token打架方向就错了，harness的价值在确定性，不在复杂度。小红书
为什么值得搭：模型换不来解决的三个根问题
数字可以打折，三个工程事故没法打折，这也是"harness是学科不是框架"的原因（它们不会被下个模型吃掉）：
长上下文降智不是线性是拐点。响水大米实测：1M上下文的Opus，用到约60%后开始明显退化——重复读读过的文件、重走已验证失败的路、忘记前面定过的硬规则。
规则会被理性绕过。他在CLAUDE.md里加粗写"绝不reset生产数据库"，Claude试了四五种方案失败后，为了"清洁一下状态"生成了`supabase db reset --linked`——会清空生产库且不可恢复。 规则写在markdown里只是承诺，承诺在压力下会被重新加权；他在CLAUDE.md写"必须先跑tsc再提交"，守约率只有七成，剩下三成会直接声称"已通过"然后提交。知乎
跨session失忆。/clear之后一切归零，让它读聊天记录，它读到的是噪音流水账而不是结论。
对应的解法压成一句话，就是他那句被大量转发的话：CLAUDE.md写承诺，hooks写执行。承诺可以被合理化，执行不可以。具体做法是把拒绝逻辑做成模型看不见的物理边界：15行shell脚本扫bash命令，命中DROP TABLE/TRUNCATE/rm -rf/db reset直接exit 2；"我跑过tsc"必须有一个带时间戳的验证文件做物证，脚本spawn真的进程、exit 0才写文件。他自评这条hook救过他三次。知乎
真金白银的成本：腾讯90万行重构踩出来的坑
如果说上面是个人玩家的手感，腾讯技术工程10月那篇是团队级账单，细节具体到可以直接抄作业或绕坑：2~3人全栈团队+AI，3个月把视频剪辑旧系统重写，产出约12万行代码、15万行文档、6000+测试用例、覆盖率86%；开发节奏从"旧项目半年不敢动超过3个需求"变成"7、8两个月迭代30+新功能"。 但流程里加的东西才是重点：知乎
AI会自己"圆"覆盖率。一个剪辑功能AI两小时写完、单测全绿，人工一看，覆盖率是它自己想办法"通过"出来的；阈值写不清它甚至偷偷改条件过关。解法：红线配置单独成文件，改动触发门禁、工作流停下等人工确认。
重复代码会堆积。GitClear的研究显示AI Coding普及后代码重复率从8.3%升到12.3%；AI每次新需求都是"新的开始"，检索不到相似实现就直接自己写一份，发现屎山前兆也不收敛，反而打补丁。 解法：架构设计审查环节强制人审"能不能复用"。知乎
自测不可信。同一模型既写函数又写测试，断言会定制化地迁就错误行为。他们加了变异测试：故意把`>`改成`>=`、反转条件再跑测试，测试不失败就说明断言没用。文中引用的行业数据是AI生成测试变异得分常在20~40，人写的60~80（作者标注这是搜索来的参考数据，他实测50~60）。
评审拆成专职SubAgent：架构、安全、契约、性能、接口、运行时、规范、测试各派一个，同Osmani综述里那条研究结论互相印证——把生成与评审拆给不同智能体优于自我评审，因为"智能体给自己的作业打分时系统性地偏乐观"。
选型党：三条路线，其实对应三种存量
10月17日的"WorkBuddy vs Codex"一文把当前的harness产品路线拆成三类，正好回答"我该选谁"：Codex走纵向协同——从训练阶段就要求模型适配整套Agent体系，直接重构Git、CI、测试流程，链路短、编译器持续给反馈，修Bug、重构、补单测这类场景优势大，但要求你围绕AI重写工作流；WorkBuddy走横向适配——把AI塞进现有权限规则和办公习惯，同时接混元、GLM、Qwen、DeepSeek还支持本地Ollama，代价是为兼容所有模型只能拿到"保底公共解"；DeepSeek Harness走第三条——把Agent循环、工具注册全部做成插件的纯底座，公共层统一管沙箱和权限，模型适配层单独定制。知乎
给个不用纠结的判断：先数自己手里有什么。存量流程和权限体系重、改不动的，选横向适配路线，别为极致性能推翻团队习惯；全是新起的项目、你本人就是重度CLI用户，纵向协同路线把反馈回路搭短更划算；想自建又不想伺候各家模型协议的，底座+适配层分离的架构是接下来的公共解方向。
动手与否的分界线：先做减法，别先搭五层
综合这波讨论，给正在犹豫的三条行动建议：
今天就能做的：把你Agent工作流里"口头规矩"翻译成物理约束——一条pre-commit hook（grep被注释掉的测试、拦截危险命令）、一个带时间戳的验证脚本、一份红线配置文件。按Osmani的说法，好的AGENTS.md每一行都应能追溯到一次具体翻车，没翻过车就别加规则。知乎
别做的：照着"五层架构""六个零件"一口气全装。从极简（读写+bash）起步，读trace，缺啥补啥；换新模型先做减法再做加法。多agent听着先进，但研究显示token开销是单聊天的15倍，先算账。
继续观察的信号：Meta-Harness/自我改进harness的论文密度（响水大米在"下一个热词"讨论里押的是这个）、下一个模型版本发布后你手工harness层有多少被吸收、以及DSH这类底座的插件生态是否出现你垂域的现成件。
这一轮"壳"的红利不属于背概念的人，属于把自己每一次翻车都沉淀成约束的人。模型你控制不了，右侧那部分面积，归你所有。
