Harness 已过时，Environment Engineering 是未来
hi，我是渔夫。
最近，只要关注 AI 工程领域的都知道，有个词 Harness Engineering 火爆了。
它是什么？解决什么痛点？
我研读了 OpenAI、Anthropic 官方博客后得出的结论（文末有链接），他们都指向同一个问题：AI Agent 在执行长任务时，会悄悄崩掉，会慢慢跑偏。
Anthropic 的工程师发现，哪怕给 Agent 配了 context 压缩机制，它还是会在某个节点突然”认为项目完成了”，或者重复造轮子，或者把之前做对的东西改错，自己评价太过于自信。
OpenAI 的团队用 Codex 跑了五个月零人工写代码的实验，得出的结论是：工程师的工作重心，已经从写代码转移到设计环境、构建反馈回路、搭建脚手架。
大家遇到的问题，并非是模型能力不够，而是环境定义不清——Agent 缺少所需的工具、抽象层和内部结构来推进高层目标，这是环境欠规格问题。
Harness 要解决的问题：在模型外部搭一个执行框架，管状态、管边界、管重试、管跨 Session 的记忆传递、Hooks 等，让 Agent 不只是能跑，而是跑完了还对。
Harness 其实在 2025 年底在硅谷就已经受到高度关注了。
我本人也一直在密切关注 AI Agent 工程化领域，但会遇到一些问题——很多开源项目庞大复杂。于是，决定自己设计一个 Harness 项目，已经完整端到端测试了。
GitHub 地址：harness-cowork
harness-cowork 简介
AI Agent 写代码容易，持续可靠地写代码难。harness-cowork 就是为了解决该问题的。下面我简单介绍架构哲学，也是复现 OpenAI、Anthropic 及社区讨论的观点，是一个极简、轻量的尝试。
三层对抗架构
第一层：Generator vs Evaluator（对抗式分离）
借鉴 GAN（生成对抗网络）的思想：
关键设计：
- Evaluator 运行在独立的 Claude 会话中——没有沉没成本压力
- 默认立场是”大概率有问题，除非证明没问题”
- 6 个维度打分，任何一项 FAIL = 整体 FAIL
- FAIL 后反馈回 Generator 重试，形成对抗式闭环
第二层：概率层 + 确定层（双保险）
Prompt/Skill 是概率性的——你说”提交前跑 lint”，Agent 90% 会听，10% 会漂移。那 10% 就是 bug 的来源。
概率层（Skill/Prompt）“应该做什么”，90% 有效。这层主要是 SKILL.md 定义工作流（intake → triage → investigate → plan → execute → evaluate）。
确定层（Hook/规则引擎）“不能不做什么”，确保 100% 有效。使用 Hook 脚本 + config.json 声明式规则，机械拦截危险操作。
第三层：上下文隔离 + 状态外置
解决 Agent 的”上下文焦虑”——窗口快满时就提前收工的问题。
如何使用
架构设计讲完了，harness-cowork 如何使用呢？注意它不是一个软件包，只是一组你放入项目的文件。
从这个项目可以学到很多东西。如果你也和我一样正在学习 Claude Code，真建议完成这样一个实验，会让你熟悉整个框架，也更好理解从 Prompt、Context 到 Harness 都为你做了什么。
项目还处于早期，非常轻量级，没有那么复杂，日常中遇到需要时再慢慢新增吧。
如果有人感兴趣，欢迎去使用，甚至二次改造。
Harness 已死，Environment 才是未来
学完了 Harness，如果你密切关注 OpenAI 和 Anthropic 的新动态，其实这种”框架”早已经过时了。
为什么？因为 Claude 这类基础模型正在把开发者以前手写的编排逻辑直接内化进去。后面，你那些简单的包装器和执行循环的价值就基本归零了。
他们的结论很直接：停止构建复杂的中间件。把精力放到环境工程上，把软件和数据整理成 Agent 能看懂、能用好的结构，比如 MCP 这类标准。
Anthropic 的实验也证明了，环境定义清楚，Agent 表现会好很多。
为什么”Harness 已死”有它的道理
说实话，这个论点并非空穴来风，趋势很明显。
一年前要写几百行代码才能搞定的重试逻辑、JSON 校验、上下文管理，现在 GPT-5 一个 API 参数就解决了。那些核心价值只是”把 Prompt 串起来”的框架，护城河基本没了。
另一边，环境工程的价值确实在放大。Anthropic 的研究发现，Agent 失败大多不是模型太笨，而是环境太乱。就像 F1 赛车开进沼泽地，不是车的问题。但给它一条干净的赛道、清晰的 API 文档，它能跑出完全不同的结果。
结论看起来很清晰：别再造更复杂的卡车了，去修路。
回头看 AI Agent 工程的演进，从 2023 年的 Prompt 加速发展到 Context，再到 2025 年末的 Harness Engineering。
但如今，Environment Engineering 正在硅谷的工程话语中占据主导地位。
以上，是今天的分享。
感谢你看我的文章，如果内容对你有启发，随手转发三连吧！