今年 Agent 工程圈最火的词，不是哪个新模型，而是 Harness。
9 月 ARC-AGI-3 放榜，结果相当打脸模型原教旨主义者：同一个 GPT-6Astra、同样推理强度，放进标准 Harness 得分 62.7%，换成另一套 Harness 飙到 98.6%，而且考得好的那组反而更省钱，约 2.61 万美元降到 1.73 万。大脑没换，只换了干活方式，Agent 几乎变成另一个水平。几天后 YC 专门办了场分享，题目很直白：《Why the Harness Matters More Than the Model》。36氪
Harness 到底是啥？ 英文本义是套在马身上、把马力传导到车上的那套马具。放到 Agent 语境里，它就是模型权重之外的一整套运行系统：系统提示词、上下文怎么拼、能调哪些工具、记忆放哪、子 Agent 怎么分工、什么时候停。Agent 干活时能看到什么资料、能不能接着上次继续，这些都不由模型决定，而由 Harness 决定。业内默认公式：Agent = Model + Harness，且 Prompt ⊂ Context ⊂ Harness。OpenAI Codex 团队一句话戳破真相：“Agents aren’t hard; the Harness is hard.” 不到十个人，5 个月，让 Codex 生成超过 100 万行生产级代码，没有一行是手写的。36氪知乎
这个东西三年换了三个名字：2023 年叫提示词工程，2025 年叫上下文工程，2026 年叫 Harness 工程。名字在换，考的一直是同一道题：这一轮，模型到底该看什么，不该看什么。知乎
失败案例库特别乐：Gemini 2.5 玩宝可梦，把复刻版的冰茶认成原版的柠檬水，写进上下文后绕不过去，原地打转好几小时；有公司给每位工程师的 Agent 一口气加载 600 个 skill，模型能力直接崩塌。Drew Breunig 把上下文失效归成四类：中毒、分心、混淆、冲突。结论很反直觉——模型越强，它的失败越不是因为“不会”，而是因为看到了太多不该看的东西。所以今年最难的工程课题是：让 Agent 学会忘掉。知乎
外壳的价值有多大？斯坦福 Meta-Harness 实验：固定模型，只自动搜索它周围的脚手架代码，结果同一个模型，仅更换脚手架，基准成绩最高拉开 6 倍差距。谷歌的 VISTA 消融实验画出了同一件事的阶梯版：每加一件 Harness 组件，成绩就往上实打实地走一截。知乎
但反方声音同样清醒：Harness 工程可能刚流行就面临退潮。相当一部分脚手架是在弥补当前模型的短板，而厂商正把上下文压缩、任务拆分、状态恢复一点点做进原生能力；巨型 AGENTS.md 塞满规则，最后它就会从基础设施变成新的技术债。Anthropic 的提醒很锋利：Harness 编码的是“关于模型做不到什么”的假设，而随着模型变强，这些假设会过期。谷歌开源的 Harness² 走得更远：不动模型权重，智能体在执行中自己改写周围的提示词、工具、记忆等八个组件。脚手架的贬值速度，可能比很多人想象的快。知乎知乎36氪
普通工程师该怎么办？招聘市场已经先投票：面试官的感受是，纯 RAG、只会调用框架、做过几个个人 Demo Agent，基本过不了简历关。人人简历上都是 Skill、Agent Loop、Multi-Agent，拼的是你在一个问题上做得有多深。评论区老哥给出了更朴素的版本：让英雄去查英雄，“首先，你得有无限的 token”。所以门禁、预算、灰度上线，比堆规则实在。知乎小红书
模型决定下限，Harness 决定上限。知乎36氪
而对人的投资，要集中在不随模型能力变化的那部分：规格、台账、判据、治理记录。知乎
