智猩猩AI整理
过去几年，大模型领域最熟悉的叙事是 Scaling Laws。
参数更大、数据更多、算力更猛，模型就会更聪明。于是行业一次又一次围绕模型本身展开竞赛。
2026 年 7 月 4 日，前 OpenAI 安全副总裁、Thinking Machines Lab 联合创始人翁荔在最新博客《Harness Engineering for Self-Improvement》里，把问题往前推了一层。
博客链接：
https://lilianweng.github.io/posts/2026-07-04-harness/
她不是在否定 Scaling Law，也不是说模型能力不重要。
恰恰相反，强模型仍然是所有 Agent 能力的底座。
她真正想强调的是：当基础模型越来越强，决定 AI 能不能真正进入复杂任务、长期任务、真实工作流的，可能不只是模型本身，而是模型外面那层 Harness。
DeepSeek Harness Team研究员崔添翼转发翁荔推文时评论道：
“Harness方向的自进化，与模型方向的自进化（包括训练和推理）一样，都是非常有可能出成果的方向。
之前类似于自己给自己总结 skills 之类的工作，可以看成 Harness 方向的自进化中比较初级的一种形式：从 prompt 层面进行自进化。”
01
Agent 竞争从单纯比拼模型能力，
延伸到模型之外的系统能力
如果你最近用过 Claude Code、Codex、Cursor、OpenCode 这类 Coding Agent，会很容易感受到一个变化。
它们已经不太像传统聊天机器人了。
传统聊天机器人更像是你问一句，它答一句。
而 Coding Agent 更像一个初级工程师，它会读仓库、搜文件、改代码、跑测试、看报错、修 bug，甚至能把一次失败的运行记录下来，再进入下一轮尝试。
但这也带来一个问题，为什么同样基于大模型，有的产品只是“会聊天”，有的却已经开始“会干活”？
答案并不完全在模型参数里。
翁荔在博客开头就指出，原始模型与真实世界上下文之间的部署系统，似乎和模型原始智能同样重要。她还特别提到，Claude Code 和 Codex 这类成功的 Coding Agent 产品，已经证明 Harness 是 AI 部署中的重要组成部分。
Harness 是围绕基础模型的一套系统，它负责编排模型如何思考和规划、如何调用工具和行动、如何感知和管理上下文、如何保存产物，以及如何评估结果。
简单来说就是，把模型当作智能体的大脑，那么 Harness 就是让这个大脑真正进入工作现场的操作系统。
它不只是 Prompt，也不只是工具调用，更不是给模型套一层简单工作流。它决定了 Agent 怎么看任务、怎么拆任务、怎么保存中间状态、怎么调用外部工具、怎么检查自己有没有做错、怎么从失败中恢复。
这就是为什么同一个基础模型，放进不同 Agent 产品里，可能会有完全不同的体验。
一个产品只把模型接到聊天框里，它就还是一个问答助手。
另一个产品给模型配上文件系统、终端、代码编辑器、测试反馈、任务队列、子 Agent、权限控制和评估器，它就有机会变成一个真正能执行长链路任务的 Agent。
所以，翁荔这篇博客最值得关注的地方，是把 Agent 竞争的讨论，从“模型能力有多强”，进一步延伸到了“系统能力如何支撑模型工作”。
02
AI自我进化，不一定先发生
在模型权重里
提到 AI 自我进化，很多人第一反应是模型自己训练自己、自己改参数、自己变成下一代模型。
这当然是递归自我改进（recursive self-improvement，RSI）里最激进、也最有想象力的一条路径。
但翁荔给出的判断更现实：RSI 的近期发展路径不太可能是模型直接改写自己的权重，而更可能先发生在 Harness 层。
翁荔在文中预测，Harness Engineering 会先朝着一种“meta-methodology”演进。也就是说，优化的重点不再只是让模型给出某一次更好的答案，而是去优化“获得更好答案的机器”本身。
到这个阶段，Harness 系统不再只是一些人工堆出来的规则和技巧，而会逐渐成为一个可优化的对象：减少零散的启发式规则，转向更通用、更稳定的机制。
反过来，当 Harness 足够成熟，它又可以支撑自动化研究，进一步服务于模型自我改进循环；而随着模型本身变得更聪明，它也能帮助 Harness 避免过度工程化，让整个系统保持可持续。
更长期来看，很多今天还需要外部 Harness 完成的改进，未来可能会逐渐被内化进模型本身的行为里。但即便如此，模型与外部上下文、工具和真实环境之间的接口仍然不会消失。
翁荔用 Prompt Engineering 打了一个类比，随着指令微调和模型推理能力提升，很多手写 Prompt 技巧已经没那么关键了，但人类仍然需要向模型说明目标、约束、上下文和评估标准。这些需求并不会因为模型变强而消失。
03
三大 Harness 设计模式
在翁荔看来，相比早期那种“Agent = LLM + 记忆 + 工具 + 规划 + 行动”的简单公式，Harness 工程还要进一步包括工作流设计、评估、权限控制和持久状态管理。它已经不只是 Prompt 模板，而更接近运行时系统和软件系统设计。
她在文章中总结了三个非常关键的 Harness 设计模式。
第一个模式，是工作流自动化。
一个真正能干活的 Agent，不能只是一次性输出答案，而要能在一个循环里持续推进任务。
这个循环通常包括：Plan（规划）→ Execute（执行）→ Observe/Test（观察测试）→ Improve（改进）→ Repeat
Andrej Karpathy 提出的 autoresearch，是这类工作流自动化的典型代表。它会进入一个动态的自我迭代过程：先理解需求、定位相关文件、修改代码、运行测试，再根据报错或结果继续迭代优化。
在这个过程中，模型不再是站在任务之外“提建议”的旁观者，而是被置于一个真正的 Agent Runtime（智能体运行时） 中，通过工具调用、执行反馈和完整轨迹，不断修正自己的行为和策略。
第二个模式，是把文件系统作为持久记忆。
这是翁荔文章里非常值得重视的一点。
很多人一谈 Agent 记忆，就会想到长上下文、向量数据库、RAG。但翁荔强调，在长周期 Agent 系统里，一个反复出现的模式其实很朴素：不要把所有工作流和日志都塞进上下文，而是把持久状态保存在文件里。
原因很简单。当任务足够长，实验日志、代码 diff、论文摘要、错误轨迹、历史执行记录，很快就会超过模型上下文窗口。
这时候，Agent 不应该像一个健忘的人一样，每次都重新读一遍所有聊天记录；它更应该像一个工程师一样，把关键产物写进文件，把失败记录存下来，把中间状态组织好，之后需要的时候再检索、读取、编辑。
这也是为什么文件系统会成为很多 Agent Harness 的基础设施。文件不是低级工具，而是 Agent 的长期工作记忆。
第三个模式，是子 Agent 和后台任务。
翁荔提到，Harness 可以派生多个子 Agent 并行执行任务，并监控后台作业。当主 Agent 需要探索多个假设、并发运行实验，或者把某些隔离子任务委派出去时，这种机制会非常有用。
但关键不是“多开几个 Agent”这么简单。
真正重要的是，让并行过程变得显式、可检查、可恢复。
如果子 Agent 的输出只存在于临时聊天上下文里，它很快就会变成不可追踪的信息碎片。但如果这些输出被保存成文件、日志和状态记录，主 Agent 就能在中断后恢复，也能基于自己的执行历史继续推理。
04
真正的新意：Harness本身开始
变成可进化对象
但翁荔这篇文章真正有新意的地方，还不只是总结 Harness 设计模式。更关键的是：Harness 本身正在变成一个可优化、可搜索、可进化的对象。
过去，我们优化 Agent，主要靠调 Prompt。后来，我们开始做上下文工程，让模型看到更结构化、更简洁、更有效的信息。再后来，我们开始优化工作流，让 Agent 学会测试、反思、重试、拆分任务。
而翁荔在文中给出了一条更清晰的演进路径：Harness 系统中被优化的对象，大致会从 instruction prompts → structured context → workflow → harness code → optimizer code。
这条路径非常重要。它意味着，Agent 的优化对象正在从“自然语言提示词”逐渐进入“系统代码”。
为什么代码重要？因为代码是定义系统的通用语言。
翁荔在 Self-Improving Harness 部分写得很直接：Harness 本质上就是用代码来规定 Prompt、工具调用、子 Agent、控制流、记忆和工作流逻辑如何协同。如果 LLM 能优化执行 Agent 的代码，它就能进入一个比手写 Prompt 大得多的设计空间。
这就是从 Prompt Engineering 到 Harness Engineering 的关键跃迁。
调 Prompt，本质上是在调模型怎么说。改 Harness，则是在改 Agent 怎么工作。
这也解释了为什么 Self-Harness 这类工作开始变得重要。
翁荔还重点提到 Darwin Gödel Machine（DGM），这项工作明确把目标放在可编辑 Harness-code repo 的演化上。它让基于 LLM 的 Coding Agent 修改自己的 Harness，并在固定基础模型不变的情况下，不断产生新的 Agent 版本。实验中，在 Claude 3.5 Sonnet 作为基础模型、初始 Harness 配置较简单的情况下，DGM 发现的 Agent 在 SWE-bench Verified 上从 20% 提升到 50%，在 Polyglot 上从 14.2% 提升到 30.7%，性能与手工设计 Agent 的表现相当，甚至部分更优。
论文链接：
https://arxiv.org/pdf/2505.22954
这背后的信号很强：模型不变，系统自进化，Agent 能力也能继续上涨。
这也许正是下一阶段 Agent 竞争最容易被低估的地方。
如果说 Scaling Law 解决的是“模型大脑有多强”，那么 Harness Engineering 解决的是“这个大脑如何接入世界、如何完成任务、如何从失败中学习、如何持续优化自己”。
当然，这条路也远没有到终点。翁荔在文章最后专门提醒，RSI 仍然面临评估标准模糊、上下文与记忆生命周期、负面结果被系统性忽视、多样性坍塌、奖励作弊、长期优化目标以及人类角色等挑战。
大模型时代的竞争，正在从模型本身，延伸到模型之外的运行时系统。
未来的 AI 自我进化，至少在近期未必会首先发生在模型权重里，而更可能先发生在 Harness 层。
谁能让模型更好地规划、记忆、调用工具、管理任务、评估结果、复盘失败、改进自身，谁就更接近真正可用、可持续、可扩展的 Agent。
END
关注+星标，获取AI前沿进展与优质开源项目