花一周调的 Agent，demo 惊艳，上线就翻车？无限循环、忘记目标、上下文污染、反复踩同一个坑——模型明明还是那个模型，“智能感”却突然没了。十月，越来越多开发者开始承认：拖垮 Agent 的，可能不是脑子，是壳。
先把概念说直白：LLM 是大脑，Harness 是套在大脑外面的操作系统，Agent 更像跑在这个系统上的应用。提示词、工具、记忆、护栏、子代理、编排逻辑，这一整圈都是 Harness。知乎流传一个很好记的比喻：零件是 Skill，装配图是 Workflow，工厂流水线才是 Harness。知乎知乎
谷歌刚把“壳”从修辞变成了分数：谷歌研究团队开源了一套名为 Harness² 的智能体框架，让 AI Agent 在不改模型权重的情况下靠调整外部组件实现递归式提升。36氪36氪
它做的事说人话就是：智能体边干活边改写自己的 harness，而且不需要任何人告诉它改得对不对。先提案，再在同一件任务上试跑，只保留有行为证据的改动；被采纳的外壳连同经验笔记存进改进库，下次提方案时已经“见过世面”。36氪
效果：GLM-5 在 WorkBuddy-Bench 上单步优化后从 64.2 分跳到 75.7 分，Harvey 法律基准的部分通过率也提升 11.8 个百分点。36氪
更好吃的瓜是：越弱的执行器收益越大，GLM-5 换一轮壳后直接反超了未优化的 Gemini 3.5 Flash——二线模型靠换外壳赢了默认配置的一线。代码已以 Apache 2.0 协议上线 GitHub，OpenCode 和 Codex 都支持。36氪36氪
壳的生意，DeepSeek 已经做成了公共生态。团队核心成员崔添翼在 3881 赞的回答里给出一句原话，v0.2.1 版本还顺手加入了 Claude Code Mods 兼容层。知乎
连 Agent 给自己装插件改自己都已有着落：“创造模式”已经允许 Agent 根据用户需求编写并安装插件。桌面版发布的问题在知乎冲到 300 万浏览，“dsharness 还是 zcode”的纠结帖也有百万级围观。知乎
连学界都在给壳换写法：MIT CSAIL 提出了一个叫 JAZ 的极简智能体框架，副标题就叫 Harness as a Language。它反问的是，那些提前设计好的流程，真都该由人来写吗？知乎
这跟你有什么关系？三件事，比“换个更大模型”实在：
调 prompt 是交互技巧，修壳是系统工程。Prompt Engineering 关注的是怎么和模型对话，Harness Engineering 关注的则是构建能长期稳定运行的 AI 系统。上下文治理、工具调度、错误恢复、可观测性，才是 demo 和生产之间那道真正的坎。代价同样清晰：每次优化要多跑几遍任务，token 成本和延迟都会翻倍。知乎36氪
穷人有穷人的逆袭通道。微调要数据、要算力、要训练周期；改壳只要多跑几遍任务。模型能力只是下限，壳的质量决定上限能摸到哪。
别把论文当圣旨。提升数字全部来自论文自测基准，离真实世界的脏活还有距离；谷歌自己也强调 Harness² 仍属于研究项目，并非官方支持的产品。框架会自动改写执行环境周围的文件，沙箱隔离得自己来配。翻译过来：代码给你了，出了事自己兜着。36氪
一句话收束：下一轮 Agent 竞争，比的未必是谁的模型更大，而是谁的脚手架更会进化。模型给出下限，壳决定上限。
你的 Agent 外壳，是手写的，还是已经会自己长了？
