AI工具再强,不会用Harness也是白搭

答案很简单：你缺的不是模型，是 harness。

一个问题搞清楚一切

先问自己：Claude Code 和 ChatGPT，到底有什么区别？

表面看，都能聊天，都能写代码。但 Claude Code 关掉窗口后，下次打开还记得上次在哪、改了什么文件、做到哪一步了吗？

记得。 这就是本质差别。

Claude Code 不只是一个 LLM，它有一个”外壳”在持续运行，这个外壳负责记住状态、调用工具、控制节奏——这个外壳，就是 harness。

模型不是 agent

这是理解一切的前提：

• LLM = 会推理和生成的大脑，只能”回答一轮”
• Agent = LLM + 工具 + 状态，能力超出”回答”
• Harness = 让 LLM 持续工作的运行时外壳

没有 harness，LLM 再强，也只是一个能聊天的工具。有了 harness，它才开始”真正工作”。

用一个公式记住：

“

Harness = Brain（模型）+ Hands（工具）+ Memory（状态）+ Loop（循环）+ Judge（验证）

看一个真实案例

你跟 Claude Code 说：”帮我把用户模块重构一下。”

没有 harness 的情况： Claude Code 读了几百行代码，开始重构，做到一半上下文满了，模型开始”失忆”，后面改的代码和前面风格不一致，甚至引入新的 bug。

有 harness 的情况： Claude Code 读代码，把重构计划写进 .planning/ 文件，一个阶段一个阶段推进，中间任何一步崩溃了，新会话读取 .planning/，从断点继续，最后用 8 维验证门检查交付质量。

区别在哪里？ 不是模型变聪明了，是 harness 把”持续工作”这件事管起来了。

一个最小 harness 长什么样

真正跑起来的 harness，核心只有 7 个模块：

接收目标 → 组装上下文 → 模型决策 → 工具执行 → 状态更新 → 验证 → 循环或停止

最简化到代码层面，就 6 行：

whilenot done:    context = build_context(goal, state)    decision = model(context)if decision.needs_tool:        result = run_tool(decision.tool)        state = update(state, result)else:        state = update(state, decision.text)    done = should_stop(state)

两个分叉决定一切：模型输出普通文本还是模型请求调用工具。所有 agent 的逻辑，都在这两个分叉里绕。

为什么很多人用不好 AI 编程工具

不是工具不够强，是 harness 意识太弱。

多数人把 AI 当”搜索引擎++”，问一句答一句，用完就关。这种用法，模型能力利用率不超过 20%。

真正用好 Claude Code 的人，都在用 harness 的思路在做事：

• 把任务拆成阶段，不是一次性丢给 AI
• 让 AI 把中间结论写进文件，不全存在脑子里
• 给 AI 设定”什么时候停”，不让它无限制地跑
• 让 AI 自己验证自己的输出，而不是靠人眼检查

这些都是 harness 的思维方式。

一个原则判断你缺不缺 harness

“

如果关掉当前对话，任务能从断点继续吗？

能继续，说明你有 harness 意识。不能继续，说明你的”AI 工作流”其实全靠上下文撑着，一旦上下文崩溃，进度全丢。

这个判断标准，适用于一切 AI 编程工具。

下一步

搞清楚了 harness 是什么，下一篇文章我们拆解它最核心的五个组成部分——Brain、Hands、Memory、Loop、Judge。这五个词搞懂，你就有了评价任何 AI 编程工具的底层框架。

核心结论：

• 模型不是 agent，harness 才是让模型持续工作的外壳
• Harness = Brain + Hands + Memory + Loop + Judge
• 能从断点继续的工作流，才是真正的 harness 工作流