本文基于开源项目 LearnGraph 的开发实践，深入探讨了 AI Agent 架构中“Harness”层的演进与必要性。作者指出，随着 DeepSeek 和 OpenAI 提出相关概念，业界逐渐意识到 Agent 的能力不仅取决于底层的“模型”，更取决于连接模型与现实世界的“Harness”。文章详细记录了从提供单一 Shell 命令行（T0）、封装结构化工具（T1）、引入技能渐进式披露（T2）到最终实现代码编排（T3）的架构迭代过程。作者发现，单纯给模型开放 Shell 权限会导致安全风险与资源浪费，而过度封装工具则会造成选择过载。最终的解决方案倾向于由模型生成编排脚本，通过程序逻辑处理循环、批处理等确定性任务，从而大幅降低 Token 消耗并提升执行稳定性。这一过程验证了“Agent = Model + Harness”的公式：模型负责高层理解与规划，而 Harness 则需要接管状态管理、容错机制、权限控制及任务调度等工程细节。
事件分析
这篇文章反映了 AI Agent 技术栈正在从“提示词技巧”向“系统工程”深水区演进。DeepSeek 和 OpenAI 推崇的“Model-Native Harness”概念，实质上是承认了当前 LLM 在处理长任务链时的不稳定性，需要通过外部工程手段进行兜底。文中提到的“代码编排”模式是目前解决 Agent 幻觉与执行效率低下的主流方向，即利用 CPU 执行确定性逻辑，用 GPU 处理不确定性思维。这种分层架构意味着，未来的 AI 应用开发将不再单纯比拼模型参数，而是比拼谁能构建出更完善的 Runtime 环境、更精准的工具调度以及更鲁棒的状态管理机制。Agent 的竞争壁垒正逐渐从算法层转移至基础设施层。
核心观点：AI Agent 的成败关键已从模型智商转向 Harness 架构，优秀的工程应让程序负责执行确定性任务，让模型回归思考本质。
原文链接：Linux.do
