Harness工程全网爆了：Google把Agent基准提了8.4分，可秋招面试官考的是重试、幂等和状态表
10月26日前后，一个此前只在知乎几个问题里流传的词——Harness工程——突然在同一周内从三个方向同时爆了：谷歌开源了 Google Harness²，论文里同一模型不改一行权重、Agent基准直接涨分；ACM Queue 10月15日刊发容错Agent工程长文，配了可离线复现的开源harness；微软关于"Agent长记忆可能是毒药"的研究被搬运进中文社区，一个回答攒下3.7万浏览、226次收藏。与此同时，B站一周内冒出几十个"AI Agent开发"教程账号，秋招面试真题开始在程序员群里刷屏。
先把词说人话。社区里一个7.6万浏览的回答给了个很准的概括：提示词工程是写段话告诉AI做什么，上下文工程是管好信息窗口，Harness（线束/执行框架）工程则是搭一套外部运行时，强制AI能调什么、不能调什么、什么时候必须停，本质是"把过去约束人的软件工程，换成约束AI"。 模型外面这一圈：上下文管理、工具接口、权限拦截、记忆、评测、兜底，统称harness。知乎
热潮底下有三个硬事实，不是一个营销词
判断一个"新风口"值不值得跟，别看公众号标题，看可复现的数据。这轮我核到的三个硬锚点：
1. Google Harness²：分数是真的，但不是免费的。 这是Google Cloud AI Research和Northwestern的联合研究：同一个Gemini 3.5 Flash、同一套基础OpenCode，在WorkBuddy-Bench上的平均分从72.4提到80.8。 细节比结论重要——80.8对应并行探索预算k=5，负责改写harness的编辑器是Claude Opus 4.8，执行任务的才是不变的那个Flash；GLM-5/OpenCode组合单步改进提高11.5分，JobBench有个案例从43.1分改到77.8分，靠的是补了"数据对账guardrail+重开文件核验脚本"两类改动。论文把harness拆成八类可编辑组件：system prompt、guardrails、memory、skills、tool guidance、scripts、subagents、plugins，全部可版本化、可比对、可回滚。但原作者特别标了边界：分数只用于实验评估、改进流程在线拿不到真值验证器，论文没有保证改动能跨任务迁移，“分数变化不能直接换算成业务收益”。知乎
2. ACM Queue容错长文：Agent就是一个会自己写调用图的分布式系统。 这篇10月15日的文章（作者Tommy Tran）给了三个可离线复现的数字：固定故障注入下，裸Agent只完成33.3%的任务；只加重试能到83.3%，但会静默造出重复记录（客户拿到两笔退款的那种重复）；重试退避、截止、幂等键、熔断、隔舱、降级、saga补偿这七个分布式系统老模式全用上，完成率89.6%，无重复无孤儿写。 它的论点很窄也很狠：“生产上Agent的硬约束是可靠性，不是能力”——你以为是幻觉的故障，很多是部分失败，改prompt治不了。知乎
3. 微软Fork-and-Flush：重启会话从玄学变成有数字的操作。 研究观察到"思路盆地"（Idea Basins）和"对话引力"（Conversational Gravity）：长上下文会把Agent的思路吸在局部区域里，压缩都压不出去。实验里Fork-and-Flush方法平均分0.78，单跑只有0.47、best-of-4也只有0.54。 更反常识的是消融实验：完全不加分支、只定期清空上下文重开，就能提升约20%。经常vibe coding的人应该秒懂：思路跑偏掰不回来时直接重开session，玄学但管用，现在微软把"为什么管用"测出来了。知乎
为什么是现在：词是新的是假象，问题迁移才是真的
把时间线拉通看，这不是一个词的偶然爆红。知乎"Harness Engineering的本质"回答早在5月就攒了76万浏览；8月"Harness之后下一个风口是什么"的问题下已经有人泼冷水，说"harness本质是软件工程对模型确定性缺陷的被动防御"；10月中旬开始，评测（NVIDIA 9月发文明确Agent评测要从单次函数调用打分升级到端到端任务完成度）、容错、记忆管理三个方向的讨论同时起量。
底层动因是：模型能力在商品化，差异化从"用哪个模型"迁移到"怎么把模型稳定用起来"。Anthropic 10月20日公开的内部数据把这件事推到台前——截至2026年8月，公司整体Agent与人类工作时长比达到6:1，研究部门更是高达19:1；代码合并量四个月涨了12倍，逼得他们自建版本控制系统。 当Agent产出不再是瓶颈，监督它、评测它、在它崩在第十二步时能断点续跑的人，成了稀缺资源。36氪
秋招和转岗的人该看哪：面试官问的恰恰是你的"旧经验"
这才是多数人对这个风口最真实的纠结。今年10月的字节秋招里，Agent开发一面直接问Computer Use的原理是什么、云端方案和本地方案有什么不同。 一条拆解视频1400播放点了101个收藏，这个收藏率说明真题有多稀缺；"简历写Agent项目5个坑"这类视频也是10%上下的收藏率。社区流传的转岗故事更扎心：六个月刷完LangChain/LlamaIndex全家桶、prompt写得飞起的后端，卡在一个"Agent第二轮忘了第一轮预算"的问题上整整两周——最后发现不是模型记忆问题，是没给Agent设计一个能存能查的状态表。哔哩哔哩
对后端出身的人，这轮红利的方向可能和直觉相反：你以为要补的是模型知识，实际被重新定价的是事务、并发、超时、幂等、可观测性这些"贬值焦虑"的主角。一个472万浏览的知乎回答把话说得很直白：真正抢手的Agent工程师，八成时间在写的东西跟大模型没关系——状态机的持久化、工具调用的重试与幂等、错误恢复。 Harness²那八类组件里，guardrails、scripts、tool guidance干的全是中间件和确定性校验的活；ACM那七模式就是可靠性工程教材的目录。"资深程序员会被AI取代吗"这种题下的高赞观察也一致：能带着三个Agent并发干活半天重构一个微服务的人，恰恰是懂架构约束的那个人。知乎
先避坑："全748集"正在批量收割你的转型焦虑
风口起量的另一面，是供给端的噪音爆炸。我统计了10月26日当天B站"AI Agent开发"的搜索结果：40条结果里9条用"【全XXX集】“做标题模板——其中”【全748集】目前B站最全最细的AI智能体开发零基础教程，2026最新版，少走99%的弯路，学完即就业"这一句，在13:50到17:51四个小时内被5个不同账号各发了一条，BV号不同、内容雷同。这类账号播放量普遍只有几十到两百，评论区置顶统一指向"加小助理领资料"。对照真实需求的形状：面试真题拆解视频1403播放101收藏，"简历写Agent项目5个坑"176播放18收藏——收藏率是播放量的6-10%。判断教程值不值得看，别看集数，看它敢不敢让你当场复现一个数字。
顺带一提，社区对新名词的反弹本身就是个校准信号：知乎"最好用的Agent框架"话题下一条"所有Agent框架都是期货"的暴论拿了48万浏览——框架和词会过时，你搭执行框架时踩过的坑不会。
这周就能做的四件事
给正在观望或准备投Agent岗的你，一个不花钱的行动清单：
挑一个组件动手改，别通读教程。 从八类harness组件里选一类（比如给现有工具加tool guidance或写一个guardrail脚本），改前改后跑同一批任务对比。归因很难，这是行内的共识坑：被选中的候选不代表其中所有修改都有效，同时改多个组件、执行结果又区分不出各自作用的，会被直接标记为"无法归因"。 所以要留版本、留轨迹。知乎
给一个会失败的工具调用补上幂等键和重试。 复现ACM那篇文章的路径：先裸跑，再只加重试（观察重复副作用），再上全七模式。两小时能做完，做完你就有了面试能讲的真实数字。
建一个20条任务的最小评测集。 NVIDIA博文的思路：步骤级过程分找断裂点，端到端结果分看最终状态；先把"参数合法、路径存在、报错后换策略、不陷入循环"这几类可自动检测的行为信号搭起来。
长会话任务定期Fork-and-Flush。 别迷信一口气长上下文，微软消融实验支持"只清空不加分支就+20%"——把它变成习惯，成本几乎为零。
继续观察三个信号：Harness²这类"经验库+在线改进"的方法会不会进产品（还是停在论文）；WorkBuddy-Bench型贴近真实工作的任务集会不会公开；大厂JD关键词会不会从"熟悉LangChain"批量迁移到"可靠性/评测/harness"。证据到哪说到哪——这轮热潮目前能证实的是：问题真的从模型转移到了运行时，而你手里的工程老底子，正在被重新定价。
