我现在不信 AI 说的「已完成」了,DeepSeek Harness 给你答案

摘要 · SUMMARY

更强的模型、更多 Skill 和 MCP，能让 AI 做更多事，却不等于它真的做完了。我们一直在教 AI 干活，却很少教它怎么交卷。完成标准、证据、复核和记忆，才是普通人也能搭起来的最小验收系统。

我现在不信 AI 说的「已完成」了。

不是不信 AI，也不是觉得它突然变笨了。我只是不再把这三个字，当成任务真的结束。

它说完成，可能只是文件生成了。也可能是能读到的 27 份做完了，剩下 2 张扫描件和 1 个加密文件，被安静地留在角落。还可能是会议纪要写得很顺，负责人和截止时间却刚好对调。

文字越流畅，人越容易点头。麻烦也在这儿。

今天读到一篇 Harness 教程，我脑子里一直卡着一个问题。我们花了这么多时间教 AI 干活，写 Prompt，装 Skill，接 MCP，为什么很少有人教它怎么交卷？

坦率地讲，我自己也还在摸索。我没有搭过一整套复杂 Harness，更不会假装自己已经长期跑通了。但有一件事，我现在越来越确定。

— 盘子递出来了，身后的漏单还在。

Harness 这个词，看着很技术。

如果旁边再放上 Hook、测试、权限、日志和子 Agent，一般人看到这里，手已经准备往返回键上放了。我非常理解。你只是想让 AI 帮忙整理文件、写纪要、核表格，怎么突然像要去修一门软件工程？

先不管那些复杂配置。

我暂时把 Harness 理解成套在 AI 外面的一整套工作制度。它规定 AI 能看什么，按什么规则做，什么时候可以停，必须拿什么证明自己做完，还要管出错以后怎么别再踩回来。

为了方便记，我会用一个不太严谨但挺好懂的式子。

Agent ≈ 模型 + Harness。

模型像发动机，Harness 更像路标、护栏、仪表盘和刹车。发动机再强，也不会自己知道你的业务口径，更不知道哪个结果你才敢签字。

Mitchell Hashimoto 在 My AI Adoption Journey 里，把自己采用 AI 的第五个阶段叫做 Engineer the Harness。他有个判断我很喜欢，Agent 反复犯错时，不能只修眼前的结果，还要把这次错误变成新规则，尽量拦住下一次。

OpenAI 也公开过一个 Harness engineering 实验。他们用了 5 个月，做出一个约 100 万行代码的内部产品，代码由 Codex 生成。人类没有消失，而是转去建设环境和反馈回路，给 Agent 修路，再判断结果能不能过关。

所以我不太愿意把 AI 翻车，简单归结成模型不够强。更强的模型当然有用，但业务里的正确口径、允许使用的材料和交付前必须核对的项目，不会因为模型升级就自动长出来。

没有交卷制度，落到日常工作里到底长什么样？

下面四个场景不是我的亲历数据，也不是某家公司的事故，只是很多人一眼就能认出来的通用任务切片。

最容易碰上的是漏做。

你给了 30 份文件，AI 输出了 27 份。两张扫描件没识别，一个加密文件打不开。它没有列异常，也没提醒你还有 3 份失败，只告诉你整理完成。它把「能做的做完了」，当成了「任务全部完成」。

再就是做错。会议里原本说 A 在周五前给报价，B 负责复核。纪要看着清清爽爽，负责人却被对调，讨论中的方案也被写成了已经确定。

有时文件没漏，内容也对得上，口径却错了。表格能打开，公式没报错，汇总数字也很整齐，可含税和不含税被混在一起，缺失值又被当成 0。能算，但不能交。做园区招商材料时，我最怕的从来不是页面不漂亮，而是关键数字和口径经不起追问。

还有一种更像失忆。这轮对话里你刚纠正过，缺失值要留空。换一个会话，它又很勤快地全部补成 0。那条规则只活在上一段聊天里，新会话压根没拿到。

Anthropic 在长任务研究中也观察到，Agent 会在看到部分进展后，过早宣布整个项目完成。后来他们用结构化功能清单、进度文件和基础测试，帮助 Agent 跨会话接上状态。过程写在 Effective harnesses for long-running agents 里。

回头看，我们真正要问的就是这四件事。

— 缺页、错人、错口径和忘规则，表面都可能长得像完成。

我们以前做的大部分优化，都发生在开工之前。

Prompt 写清楚一点，Skill 把流程封完整一点，MCP 让它拿到更多资料。这些都重要，它们是在告诉 AI，题目是什么，工具在哪里，应该怎么做。

可做完以后呢？范围有没有覆盖，数字能不能对上，来源能不能追溯，打不开的文件有没有暴露，最后谁来签字？

开工前把题目和边界说清，做完后拿标准逐项验收，两边得接起来。

你可以把它想成一个后厨。Prompt、Skill、MCP 在教厨师做菜，Harness 管的是出菜制度，点了多少道，过敏项是什么，哪道没出，谁核过菜单。厨师在窗口喊一声「齐了」，你肯定不会就这么端走。

上一篇解决的是怎么把一件事做到能交，这篇只追问一件事，我们凭什么相信它已经能交。

先把完成标准写下来。不要只写「整理这批文件」，计划处理多少份，输出放在哪里，哪些字段必须有，口径按什么算，不能做哪些动作，打不开的文件怎么办，都要写明白。

然后要它交证据。计划 30 份，成功多少，失败多少。输出文件在哪，来源对应哪一份，抽查了哪些项，异常清单是什么。别只要一个结论，你得有办法回头查它。

重要结果，把「做」和「评」拆开。不要只让执行任务的那轮对话给自己打分。新开一轮，只给原始材料、完成标准和结果，让它站在验收角度找问题。敏感外发和业务判断，仍然由人确认。

最后，别让规则只待在聊天里。项目背景、确认过的口径、当前进度、失败原因和新增规则，都放进固定文档。聊天会结束，文件会留下。下次开始时，先让 AI 读取，再继续工作。

这就是完成标准、交付证据、独立复核和会话外记忆。如果你暂时不想研究任何配置，可以直接复制下面这段。

这段提示词并不神奇，而且证据也可能错。

来源可能对应错，截图可能漏掉关键状态，数字也可能沿用错误口径。重要外发、财务数据和业务判断，最终还是要回到原始材料，由人按业务口径拍板。证据不是免检通行证，但它会让你知道去哪里查。

一开始用，确实会比一句「帮我整理」更麻烦。你要想数量，想口径，想证据，做完还要抽查。但这些本来就是交付的一部分，以前只是被我们拖到了返工时。

— 标准、证据、复核和记忆，组成最小交卷闭环。

Harness 不是一次设计出来的完美大工程。它更像一个会长记性的系统，每翻一次车，就多长出一条有用的规则。

Anthropic 在另一篇 长任务 Harness 设计文章 里也提醒，完整 Harness 可能明显增加成本，独立 QA Agent 仍然可能漏问题。复杂，不自动等于可靠。

所以，想加一个组件时，先问问它具体防的是哪次翻车。答不上来，先别装。

每次出问题，也不用写一份沉重的事故报告。留下面五行就够。

这很像学生时代的错题本。有用的不是把做对的题抄得漂漂亮亮，而是知道为什么错，下次看到相似结构时，手能停一下。

可靠不是永远不失败。可靠是失败以后留下痕迹，让同一种错误不要一遍遍收学费。

回到开头那张试卷。

以后再看到 AI 说「已完成」，先别急着点头，只问一句。

证据呢？

今天就挑一个你真的准备交给 AI 的任务，只补两项。

什么情况才算完成。

AI 必须提交哪些证据。

这就是你今天也能搭起来的最小交卷制度。

我是 35号底牌，持续记录企业 AI 的真实落地过程。