Harness Engineering 学习分享：给 AI 大模型套上"缰绳"
一、AI 工程化的演进之路
AI 应用开发经历了几年的历史，从三个阶段的范式跃迁：
Prompt Engineering → Context Engineering → Harness Engineering
RAG（检索增强生成）= Retrieval（检索） + Augmented（增强） + Generation（生成）——先检索相关知识，再增强到上下文中，最后让模型生成回答。
Harness Engineering 是 2025 年下半年兴起的概念。Claude Code 在 AI Coding 领域接棒 Cursor；OpenClaw（小龙虾）做办公赛道；腾讯在 CodeBuddy 做 Coding、WorkBuddy 做办公自动化；微信也在集成 WorkBuddy。
二、核心比喻：Harness = 挽具
想象你有一匹马，那马很有力量，但真正 能让马 work 的，需要什么？Harness——给马套上挽具、缰绳、马鞍，这些统称为 Harness。
当下的 LLM 很智能，但不代表能给出一个好的输出。Harness 是一个比喻，对应着让 LLM 好用的一些技术工程架构。Harness 主要在研究怎么在模型外面套上一层好的挽具，让模型的能力可以稳定地、重复地去驾驭。
Harness 不再是简单的把 Prompt 提升，它比 Prompt 高一个量级。
模型是引擎，Harness 就是装着 V8 发动机的车。引擎再牛，没有好的变速箱、刹车、仪表盘，这个车没法上路。
三、LLM 的四大结构性缺陷
在了解 Harness 之前，要先了解 LLM 有哪些结构性的缺陷：
3.1 无状态（Stateless）
每次对话结束，它什么都不记得。
3.2 无法主动操作外部世界
只能生成文字/图片。复杂项目不只有读写、浏览器等常规工具，MCP、Skill 一堆管理起来很复杂。
3.3 输出是概率性的
同样的输入，可能产出不同的输出。文无第一（文章生成等场景），武无第二（Coding 生成场景）。
3.4 上下文窗口有限
不能无限地去处理信息。以 DeepSeek-V4-Flash 为例，有 1M（100 万 Tokens）的超长上下文处理能力，但仍然有上限。
以上四个是 LLM 的自身特质。Harness 要做的，就是在这些基本的性质上，构造一套系统（工程化手段），让模型可以完成原本无法独立完成的任务。
四、Harness 的四层架构
Harness Engineering 不是一个具体的框架，而是围绕模型去构建的几类基础设施的总称。核心有四层。
原文件重点展开了记忆层：
记忆层
解决模型无状态的问题。 模型本身不记得上一次对话说了什么，也不知道你的项目有什么规范。
Vibe Coding（氛围编程）——不断通过自然语言去编程。
CLAUDE.md / AGENTS.md ——以文件系统承载记忆的存储。这是 Harness 记忆模块的核心，是导航地图，告诉 Agent 最关键的约束和规则，每次带上。
五、实践要点：案例驱动
5.1 不要急于生成代码
/init 初始化项目记忆非常重要。项目核心约束包含：项目功能、技术栈、开发规范、文件或目录结构等。全新项目应新建 CLAUDE.md 文件作为记忆，每次 Prompt 都会带上，解决 stateless 问题。
5.2 记忆需要持续更新
每当 CLAUDE.md 改变后，应再次执行 /init 来更新 Memory。
在 Harness Engineering 中，Memory 很重要！
六、一句话总结
LLM 很智能，但"智能"不等于"能稳定产出好结果"。Harness Engineering 通过在模型外面构建记忆存储（CLAUDE.md）、工具管理（MCP/Skill）等工程化基础设施，像给马套上挽具一样，让模型的能力可以被稳定地、可重复地驾驭。它比 Prompt Engineering 高一个量级，是 AI 应用开发的新范式。
