一、一个被忽视的事实
OpenAI 的 Codex 团队用 3 名工程师，让 AI Agent 自动生成了超过 100 万行代码。没有一行是人类手写的。
模型很强，但模型不是突破。突破的是 Harness Engineering。
Codex 运行在沙箱环境中，有结构化的工具访问权限，有验证循环在每一步检查代码变更是否通过测试套件，有上下文工程管道在每一步精确投喂 Agent 需要的信息。
换一个竞争对手的底层模型，输出质量波动 10%-15%。改变 Harness 设计，决定的是系统能不能工作。
Harness 是 80% 因素。
二、什么是 Harness Engineering
Harness，马具。套在马身上的缰绳和挽具，把强大但不可控的动物能量引导到有用的工作上，而不是让它乱跑。
Anthropic 在其官方文档 “Building Effective Agents” 中推广了这个类比。但 Harness Engineering 的概念远不止编程 Agent。
Harness Engineering 是设计、构建和运营约束、通知、验证和纠正生产环境中 AI Agent 的基础设施的工程学科。
如果 Agent 是大脑，Harness 就是其余的一切。不是模型本身的部分，而是用户请求和 Agent 最终输出之间所有东西的总和：上下文组装、工具编排、验证循环、成本控制、可观测性 instrumentation。
任何在生产环境中运行的 Agent 都需要 Harness。客服 Agent 需要上下文工程拉取相关账户数据和对话历史。研究 Agent 需要工具编排协调搜索 API、文档解析器和综合步骤。数据处理 Agent 需要成本包络管理防止重试循环一夜之间烧掉数千美元的 API 调用费用。
三、为什么没有 Harness，Agent 必然失败
APEX-Agents 基准测试给出了冷酷的数字。
研究人员用前沿模型做专业级软件工程任务——公司真正想让 Agent 干的那种活。最佳模型的首次通过率：24%。
不是 74%。不是 54%。24%。
模型能力没问题。围绕模型的基础设施没跟上。
生产中的失败模式比想象中更隐蔽。
一个常见的循环：团队部署了一个测试中表现良好的 Agent，推到生产环境，发现 15%-20% 的任务失败。第一反应是优化提示词或升级模型。花三周迭代提示词，失败率下降几个百分点，宣布胜利。而根因是一个静默吞掉错误的工具集成。
工具调用在生产中 3%-15% 的
