别学歪了,从泄漏的 CC 源码看 Harness 才是硬道理

最近看了很多 Agent 和 Harness 相关的资料，因为墨问最近要做这方面的研发探索，上周分享了自己在看的学习网站和两个 pdf，没想转发 2000+，近期最高：可能是最好的免费在线实战课程：Learn…

看了不少相关的文档，包括通过 Claude Code 源代码分析学习 Harness 到底是啥……最终我发现，从 Agent 流行开始，LLM + Agent + Harness 就一直相伴而行。Agent 去年大火，钱都赚了上百亿美金了，为啥 harness 现在才冒出来？这方面我也糊涂着呢，2026 年刚开始用 CC 和龙虾做东西，新概念又来了。那就搂草打兔子，一起学和用呗。

harness 是什么呢？是一个概念，也一套技术框架，它是套在模型外面的一整套“驾驶系统”。

举例来说，模型就是发动机，最重要，但光有发动机，不管你是车还是飞机，都跑不起来。Agent 也是一样，harness 是方向盘、刹车、仪表盘、导航、自动纠错、维修手册，外加一个副驾。当你为一个 Agent 付费的时候，这些就像大佬卖电动车一样，附送的。方向盘附送、刹车、仪表盘、导航附送……其实就是 harness 附送。

事实上，没有这些约束和规则，模型再聪明，也很难稳定地把一件复杂的长任务做完。

比如一个 Coding Agent（CC，TRAE，Codex 等） 要改代码，harness 会管这些事：做计划、写代码、测试、失败了要不要重试、上下文太长了怎么压缩、多 agent 怎么分工、哪些操作需要批准、怎么把中间结果存到文件系统里等等。Anthropic、OpenAI、Cursor 等厂商 2026 年都开始普及 harness 了，我的猜测是：模型能力的进步没那么快了，得卷工程，也就是运行时能力。

上个月 Claude Code 源代码不是泄漏了吗？很多人根据源代码让 AI 提取了很多相关内容学习，其中最全面的可能是这本开源书：

https://zhanghandong.github.io/harness-engineering-from-cc-to-ai-coding/

作者认为，Claude Code 源码最佳的“食用”方式应该是转化为一本书，供自己系统学习。显然，看书学习比直接看源码更舒服，也更容易形成完整的认知框架。

这本开源书就是作者从 Claude Code 泄漏出来的 TypeScript 源码里提取出来的内容，内容涉及 Claude Code 的每一个子系统——工具注册、Agent Loop、系统提示词、上下文压缩、提示词缓存、权限安全、技能系统。这些分析揭示了大量的实现细节，并且提炼出了 6 条 harness 工程核心原则。每条原则都有明确的源码回溯、适用场景和反模式警示。这些原则的共同主题是：在 AI Agent 系统中，控制行为的最佳方式就是设计更好的约束。

即便换了不同的大模型，我们依然会觉得 Claude Code 很好用，就是因为 A 厂这套外骨骼做得很好。

同一个模型，给它不同的 harness，表现可能差很多。并且，不同模型对同一提示的反应方式不同，有的偏爱 shell，有的需要被明确提醒去跑 linter，所以现在很多工具，比如 Claude Code、Cursor 等都会给不同的模型调用不同的 instructions 和 tools。

harness 的设计会显著影响长任务 agent 的效果。

2025 年大家都知道 Agent 能干活了，但为什么这货有时候特别能干，有时候又会失忆一样发生死循环、代码库搞的乱七八糟等等，这时候 harness 就从幕后走到台前了。大概是这么个逻辑。当然了，这和善于制定概念的 A 厂不无关系，MCP、Skill 都是他们搞出来的。

最近 Anthropic 连续发表了 context engineering、long-running harness、long-running app harness、managed agents 等文章，就是在系统化讨论这个层面的问题。

Harness 的四个典型作用：

第一，让 Agent 能连续工作

Agent 能持续工作就是循环，Agent 之所以从“会说”变成“会做”，是因为模型输出能走到工具，工具结果又能回到下一轮模型输入。

大概是这样：messages -> model -> tool_result -> next turn

第二，让 Agent 稳定运行

比如跑完代码自动 typecheck，测试失败自动回滚或继续修改，发现上下文太长就压缩，切新会话时把关键信息留到文件里。Cursor 的 plan、rules、skills、hooks，本质都在干这件事。

第三，让 Agent 能用更多的工具和外部系统

比如浏览器、终端、文件系统、MCP、Slack、数据库。没有 harness，这些工具只是散落的接口；有了 harness，它们才会变成一条完整工作流，核心就是让 agent 更高效地处理大规模工具集。

第四，让多 Agent 协作变得可控

用过 Claude Code 的 agent team 模式的一定会震惊这种工作方式，其中 Harness 功不可没。谁分配任务，谁执行，谁汇总，状态怎么传递，出错了谁来兜底，这些可不是模型天然就会的，而是 harness 设计出来的。

“harness”并不是新词，最常见的就是 test harness，意思是围绕被测程序的一套支撑代码和工具环境，上个世界七八十年代软件工程兴起的时候就这么用了。

“agent harness”作为 AI 圈里的显性概念，是 2025 下半年到 2026 年才真正成形和出圈的。其实主要也是海外 AI 几个大厂在制造概念，一贯如此。

2024 年 Anthropic 讲的是“building effective agents”；

2025 年 OpenAI 发布 Responses API 和 Agents SDK，Anthropic 开始系统讲 Claude Code、multi-agent、context engineering、long-running harness；

到 2026 年，Cursor、Anthropic、LangChain、Martin Fowler 都开始直接使用 “agent harness / harness engineering” 这套说法。

如果你想设计自己的 Agent，理解 Agent 的运行机制，这本书也值得同时阅读，墨问的新产品特性，也会与此有关，敬请期待。