Harness Engineering

1. 大白话：这是什么？解决什么痛点？

Harness Engineering 可以用一句非常好记的话来概括：Agent = Model + Harness。如果把大模型看成 CPU，那么 Harness 就是外面的操作系统和工作环境。模型只负责推理和生成，Harness 负责把状态、工具、反馈、执行环境和安全边界串起来，让 Agent 真的能稳定干活。

它解决的核心痛点是：很多 Agent 表现差，不是因为模型不够强，而是因为模型外侧的系统没搭好。大模型本质上只是输入输出函数，它自己记不住历史、不会跑代码、不知道有没有做对、也不会自动恢复错误。真正让 Agent 稳定、可执行、可纠偏的，往往是模型之外那套基础设施。

所以面试里可以一句话总结：Harness Engineering 研究的不是“怎么把 Prompt 写漂亮”，而是“怎么给模型搭一套能持续执行、持续校验、持续恢复的工程系统”。

2. 底层机制与高频考点

六层架构

一个成熟的 Harness 通常可以拆成六层：

1. 信息边界层：决定 Agent 该知道什么、不该知道什么，负责目标拆解、角色定义、状态裁剪。
2. 工具系统层：决定 Agent 怎么和外部世界交互，比如工具调用、MCP、文件系统、Web Search。
3. 执行编排层：决定多步骤任务按什么轨道推进，不让模型胡乱跳步。
4. 记忆与状态层：决定当前任务状态、中间产物和长期记忆怎么分层管理。
5. 评估与观测层：决定 Agent 怎么知道自己做对了没有，比如测试、评测器、浏览器验证、日志追踪。
6. 约束与恢复层：决定出错了怎么办，比如护栏、重试、回滚、降级、熔断。

高频对比考点

1. Harness vs Prompt Engineering vs Context Engineering

• Prompt Engineering：解决“怎么把指令说清楚”。
• Context Engineering：解决“每次该给模型看什么”。
• Harness Engineering：解决“系统怎么持续执行、纠偏、观测和恢复”。

它们不是并列关系，而是一层套一层。简单任务可能 Prompt 就够了；需要外部知识时 Context 更重要；到了长链路、低容错、可执行的商业场景，Harness 才会变成主要矛盾。

2. 为什么瓶颈常常不在模型

Harness 的关键思想是：不要把 Agent 表现完全归因于模型本身。 同一个模型，换一套工具接口、反馈链路和验证回路，表现可能差出一个数量级。真正卡住系统效果的，很多时候是工具难用、反馈缺失、上下文污染、错误恢复机制薄弱，而不是模型参数不够大。

3. 上下文越多不一定越聪明

Harness 还关心长任务中的上下文污染问题。上下文不是越长越好，信息太多反而会进入“Dumb Zone”，出现幻觉增多、兜圈子、格式混乱、代码质量下降。治理手段不是无脑塞更多信息，而是做上下文压缩、渐进式披露、必要时 context reset，再用结构化交接文档保留关键状态。

4. Model-Harness 耦合

很多 Agent 产品里的模型和 Harness 是一起被调优出来的，所以模型可能“习惯”某套工具环境。面试时要能说出一个关键结论：最适合当前业务任务的 Harness，不一定是模型原厂默认那套。

3. 🎯 实战口径

在我的 [[苍穹外卖AI客服]] 项目里，我对 Harness Engineering 的理解不是额外造一个新名词，而是用它来解释为什么 Agent 不是“模型一接上就能上线”的。

我的项目里，模型只负责理解用户意图和生成结构化调用倾向，真正让系统稳定可用的是外面的 Harness：

• 信息边界层：识别当前任务目标，不把所有历史和所有规则一股脑塞给模型。
• 工具系统层：通过 Spring AI Tool Calling 和工具白名单控制模型能用哪些能力。
• 执行编排层：通过 Advisor 链把意图识别、上下文注入、RAG、工具过滤按顺序串起来。
• 记忆与状态层：区分对话级短期上下文和真正要持久化的业务记忆。
• 评估与观测层：通过工具结果解析、日志和业务状态校验判断任务有没有真的完成。
• 约束与恢复层：通过 SafeToolCallAdvisor 限制重复签名和最大调用轮次，防止工具死循环。

所以我会这样答辩：我的项目不是单纯在“调一个大模型”，而是在给模型搭一套 Harness。模型负责思考，Harness 负责把思考变成可控执行。真正决定 Agent 上限的，很多时候不是模型本身，而是这套外围系统有没有把上下文、工具、状态、验证和恢复机制设计好。

---

相关链接：[[AI Agent 核心概念]] | [[上下文工程]] | [[AI Agent 记忆系统]] | [[MCP 协议]] | [[Spring AI Advisor 链]] | [[Spring AI 安全治理]] | [[苍穹外卖AI客服]]