Claude Code、Codex 等 Coding Agent 产品的成功已经证明了 Harness 的重要性。Blog系统梳理Harness Engineering的设计模式、优化层级以及从 ACE 到 MCE 再到 Meta-Harness 的演进脉络。全文概览一、Harness比早期 Agent 框架多了一层早期的 Agent 框架公式很简单Agent LLM Memory Tools Planning ActionHarness Engineering技术全景图https://arxiv.org/abs/2604.08224v1但 Harness Engineering 在此基础上额外纳入了Workflow DesignLoop Engineering、Evaluation、Permission Controls、Persistent State Management。它不再是简单的 prompt template而是更接近运行时与软件系统设计——模型如何观察、行动、记忆、自检、改进。Self-Harness技术https://arxiv.org/abs/2606.09498Blog打了一个精妙的比方Harness 与操作系统OS高度类比。OS 封装复杂逻辑、保持接口简洁Harness 也应如此。随着行业发展配置、工具接口、协议等将逐渐标准化。Harness 三大设计模式2.1 Pattern 1工作流自动化定义一个模型可以操作、测试、迭代的工作流是自动化的关键设计。Karpathy 的 autoresearch repo 就是一个干净范例。一个典型的目标驱动循环遵循Plan → Execute → Observe/Test → Improve → Execute again直到目标达成。Simplified Codex Agent Loop工作流图的核心在于模型通过Agent Runtime分析自身轨迹和失败案例迭代推进进度——而不是依赖静态 prompt template。2.2 Pattern 2文件系统即持久化记忆长程 Agent 系统的一个 recurring pattern 是用简单的方式控制丰富的状态与产物。Harness 不应把整个工作流和所有日志塞进 context相反它应该把持久状态保存在文件中。在长程 agentic rollout 中实验日志、代码 diff、论文摘要、错误追踪、历史轨迹等产物往往会远超模型训练时的 context window。让 LLM 学会通过bash命令读写文件系统是一项基础能力因此以文件形式管理持久化记忆天然受益于核心模型能力的提升。2.3 Pattern 3子代理与后台任务Harness 可以 spawn 多个子代理并行执行并监控后台任务。这在以下场景非常有用主代理需要同时搜索多个假设、并发运行实验、或将隔离的子任务委派出去而不污染主上下文。父代理需要一个小型进程管理器启动任务、检查日志、取消失败运行、将结果合并回主线程。关键设计选择让并行性显式且可检查。如果子代理的输出只存在于瞬态的聊天上下文中它们会迅速过时、隐藏。如果存储为文件、日志和状态记录模型可以在中断后恢复并基于自身执行历史进行推理。Coding Agent Harness案例与工具全景主流 Coding AgentClaude Code、Codex、OpenCode、Cursor-style agents的核心接口已经趋于稳定。它们通常使用如下循环Coding Agent Workflow借助一套工具Coding Agent 能够在给定仓库中开发和调试类似于人类开发者使用 IDE。工具定义全景表Harness与核心智能的关系近期 RSI 路径预测1965年I. J. Good 提出超智能机器的构想一个能在所有智力活动中超越人类并设计出更优机器来自我改进的系统。2008年Yudkowsky 将这一反馈循环命名为递归自我改进Recursive Self-Improvement, RSI——AI 用当前智能去改进产生智能的认知机制本身。但在 Lilian Weng 这篇最新长文中她提出了一个更务实的判断近期的 RSI 不会表现为模型直接重写自身权重而是模型改进训练 pipeline 和部署系统Harness进而催生更强的后继模型。Blog 对近期 RSI 路径给出了明确预测Harness engineering 将走向 meta-methodology——优化的不是答案本身而是获取更好答案的机制。Harness 系统本身成为优化目标启发式规则减少通用机制增加。成熟的 Harness 赋能模型自改进循环而更智能的模型反过来防止 Harness 过度工程化保持系统可持续。Context Engineering 的演进ACE → MCE → Meta-Harness6.1 Agentic Context Engineering简单地将所有工具响应和模型生成内容追加到上下文中会随着 agentic 任务 horizon 的延长而迅速失控。Context management 是构建更结构化、更简洁的 LLM 上下文并管理持久状态的层。ACE 将 context 视为可演化的 Playbook而非越来越长的 prompt。它包含三个组件Generator生成任务轨迹参考 bullet points。Reflector从成功和失败的轨迹中提炼 insight。Curator以增量、条目化的方式更新结构化上下文。ACE Frameworkhttps://arxiv.org/abs/2510.04618ACE 的关键设计Curator不重写完整的 prompt blob而是输出结构化、条目化的 bulletsidentifier description通过确定性逻辑合并到结构化 context logbook 中。条目会定期精炼和去重。但 ACE 的更新规则和工作流仍是 handcrafted。要走向更自改进的循环需要更进一步。6.2 Meta Context EngineeringMCE 将机制如何管理 context与产物内容context 里有什么分离外层 meta-optimization 运行 skill evolution内层 base level 运行 context optimization。MCE Frameworkhttps://arxiv.org/abs/2601.21557一个 MCE skill 定义了一个 context function 将输入 映射到 context 静态组件prompts、知识库、代码库动态算子搜索、选择、过滤、格式化双层优化Skill database 追踪历史 skill、context function 和评估指标 。Meta-level agent 对 prior skills 执行agentic crossover创建新 skill。Base-level context engineer 执行 skill 从 rollout feedback 中学习 context function。6.3 Meta-Harness再深一层Meta-Harness 优化的对象是代码本身——决定和优化什么信息应该被存储、检索、呈现给模型的代码。名字中的Meta意味着它是一个优化 Harness 的 Harness。最后Harness 即基础设施把 RSI递归自我改进 从模型改权重的科幻叙事拉回到了工程系统优化的地面。Harness 不是模型的附属品而是与核心智能同等重要的基础设施层。对于正在构建 Agent 系统的工程师来说这意味着你的竞争力不仅在于模型选型更在于你如何设计 Loop、如何管理持久状态、如何编排子代理、如何让上下文自我演化。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
Claude Code、Codex 等 Coding Agent 产品的成功已经证明了 Harness 的重要性。Blog系统梳理Harness Engineering的设计模式、优化层级以及从 ACE 到 MCE 再到 Meta-Harness 的演进脉络。全文概览一、Harness比早期 Agent 框架多了一层早期的 Agent 框架公式很简单Agent LLM Memory Tools Planning ActionHarness Engineering技术全景图https://arxiv.org/abs/2604.08224v1但 Harness Engineering 在此基础上额外纳入了Workflow DesignLoop Engineering、Evaluation、Permission Controls、Persistent State Management。它不再是简单的 prompt template而是更接近运行时与软件系统设计——模型如何观察、行动、记忆、自检、改进。Self-Harness技术https://arxiv.org/abs/2606.09498Blog打了一个精妙的比方Harness 与操作系统OS高度类比。OS 封装复杂逻辑、保持接口简洁Harness 也应如此。随着行业发展配置、工具接口、协议等将逐渐标准化。Harness 三大设计模式2.1 Pattern 1工作流自动化定义一个模型可以操作、测试、迭代的工作流是自动化的关键设计。Karpathy 的 autoresearch repo 就是一个干净范例。一个典型的目标驱动循环遵循Plan → Execute → Observe/Test → Improve → Execute again直到目标达成。Simplified Codex Agent Loop工作流图的核心在于模型通过Agent Runtime分析自身轨迹和失败案例迭代推进进度——而不是依赖静态 prompt template。2.2 Pattern 2文件系统即持久化记忆长程 Agent 系统的一个 recurring pattern 是用简单的方式控制丰富的状态与产物。Harness 不应把整个工作流和所有日志塞进 context相反它应该把持久状态保存在文件中。在长程 agentic rollout 中实验日志、代码 diff、论文摘要、错误追踪、历史轨迹等产物往往会远超模型训练时的 context window。让 LLM 学会通过bash命令读写文件系统是一项基础能力因此以文件形式管理持久化记忆天然受益于核心模型能力的提升。2.3 Pattern 3子代理与后台任务Harness 可以 spawn 多个子代理并行执行并监控后台任务。这在以下场景非常有用主代理需要同时搜索多个假设、并发运行实验、或将隔离的子任务委派出去而不污染主上下文。父代理需要一个小型进程管理器启动任务、检查日志、取消失败运行、将结果合并回主线程。关键设计选择让并行性显式且可检查。如果子代理的输出只存在于瞬态的聊天上下文中它们会迅速过时、隐藏。如果存储为文件、日志和状态记录模型可以在中断后恢复并基于自身执行历史进行推理。Coding Agent Harness案例与工具全景主流 Coding AgentClaude Code、Codex、OpenCode、Cursor-style agents的核心接口已经趋于稳定。它们通常使用如下循环Coding Agent Workflow借助一套工具Coding Agent 能够在给定仓库中开发和调试类似于人类开发者使用 IDE。工具定义全景表Harness与核心智能的关系近期 RSI 路径预测1965年I. J. Good 提出超智能机器的构想一个能在所有智力活动中超越人类并设计出更优机器来自我改进的系统。2008年Yudkowsky 将这一反馈循环命名为递归自我改进Recursive Self-Improvement, RSI——AI 用当前智能去改进产生智能的认知机制本身。但在 Lilian Weng 这篇最新长文中她提出了一个更务实的判断近期的 RSI 不会表现为模型直接重写自身权重而是模型改进训练 pipeline 和部署系统Harness进而催生更强的后继模型。Blog 对近期 RSI 路径给出了明确预测Harness engineering 将走向 meta-methodology——优化的不是答案本身而是获取更好答案的机制。Harness 系统本身成为优化目标启发式规则减少通用机制增加。成熟的 Harness 赋能模型自改进循环而更智能的模型反过来防止 Harness 过度工程化保持系统可持续。Context Engineering 的演进ACE → MCE → Meta-Harness6.1 Agentic Context Engineering简单地将所有工具响应和模型生成内容追加到上下文中会随着 agentic 任务 horizon 的延长而迅速失控。Context management 是构建更结构化、更简洁的 LLM 上下文并管理持久状态的层。ACE 将 context 视为可演化的 Playbook而非越来越长的 prompt。它包含三个组件Generator生成任务轨迹参考 bullet points。Reflector从成功和失败的轨迹中提炼 insight。Curator以增量、条目化的方式更新结构化上下文。ACE Frameworkhttps://arxiv.org/abs/2510.04618ACE 的关键设计Curator不重写完整的 prompt blob而是输出结构化、条目化的 bulletsidentifier description通过确定性逻辑合并到结构化 context logbook 中。条目会定期精炼和去重。但 ACE 的更新规则和工作流仍是 handcrafted。要走向更自改进的循环需要更进一步。6.2 Meta Context EngineeringMCE 将机制如何管理 context与产物内容context 里有什么分离外层 meta-optimization 运行 skill evolution内层 base level 运行 context optimization。MCE Frameworkhttps://arxiv.org/abs/2601.21557一个 MCE skill 定义了一个 context function 将输入 映射到 context 静态组件prompts、知识库、代码库动态算子搜索、选择、过滤、格式化双层优化Skill database 追踪历史 skill、context function 和评估指标 。Meta-level agent 对 prior skills 执行agentic crossover创建新 skill。Base-level context engineer 执行 skill 从 rollout feedback 中学习 context function。6.3 Meta-Harness再深一层Meta-Harness 优化的对象是代码本身——决定和优化什么信息应该被存储、检索、呈现给模型的代码。名字中的Meta意味着它是一个优化 Harness 的 Harness。最后Harness 即基础设施把 RSI递归自我改进 从模型改权重的科幻叙事拉回到了工程系统优化的地面。Harness 不是模型的附属品而是与核心智能同等重要的基础设施层。对于正在构建 Agent 系统的工程师来说这意味着你的竞争力不仅在于模型选型更在于你如何设计 Loop、如何管理持久状态、如何编排子代理、如何让上下文自我演化。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
