今天绝大多数 Agent 都可以粗略抽象成： Agent = Model + Harness
Model 提供底层的推理与决策能力 ，是 Agent 的“推理大脑”，Harness 则定义模型如何观察环境、能够采取哪些动作，以及整个执行过程如何组织， 负责把脑子里的想法变成实际动作 。
现有agent产品例如Codex、Claude Code，已有的 Harness能力如下：
- 基础感知与输入：自动读取项目文件树、解析语法树（AST）、捕获
git diff、截取终端运行/报错日志。 - 工具、技能与沙盒执行：提供精准代码 Patch/Edit、Shell 指令运行与敏感指令弹窗；支持通过 MCP 接入外部数据源，并能动态加载/触发预设的特定任务技能包（Skills）；
- 上下文管理：基于规则或 RAG（向量检索）召回相关代码，并在对话过长时自动触发阶段性上下文压缩（Compaction）。
- 交互与流程控制：支持 ReAct（思考-动作-观察）循环、用户中途打断/追问（Steering），以及对话撤回/历史回溯。
然而，现有的 Harness 本质上仍是一套由人类开发者静态预设的“高级工具箱”。
Agent 固然学会了调用箱子里的 MCP 工具与 Skills，甚至能在特定任务中临时组合新 Skill；但"何时清理过期 Tool/Skill、如何重构 Harness 工作流、修改后如何测试验证"的控制权与终极闭环，依然掌握在人类手里。Agent 本身尚未建立起无需人类介入的自主进化机制。
要真正迈向完全自主的 Agent，Harness 自身必须形成一个持续自我优化的自动化闭环（Loop）。这个闭环通常按如下 4 步自动运转优化：
实现这种自演进闭环，目前行业中有两个最具代表性的范式：Pi Agent 与 DeepSeek Harness。
1. Pi Agent：工程架构上的自我改写
由 Mario Zechner 开发的 Pi Agent 走的是极致极简路线。不同于 Codex 或 Claude Code 的闭源 Harness，Pi 将 插件、Skill 和上下文调度逻辑完全开放。它支持在对话中直接修改自身代码并动态重新加载，同时借助树状历史结构（Tree-structured State）实现低成本分支回滚，为“改写-验证-撤回”提供了干净的工程底座。
2. DeepSeek Harness：乐高式插件 + 规则验真
- 插件积木化：将工具、Skill 甚至其他 Agent（如 Claude Code 、Codex）都被抽象成了可自由插拔和替换的插件 。优化 Harness 时只需像搭乐高一样，自由插拔或替换特定的业务插件。
- 规则验真与经验内化：通过引入沙盒规则验证器，Agent 在长思考流中自主调度插件并进行纠错。凡是跑通沙盒测试的高质量轨迹，都会被系统捕获并进一步沉淀为模型的内生推理能力。
Harness 自动化闭环落地的四大工程支柱
要让这种“自我优化闭环”在实际工程中真正跑通，开发者构建 Harness 时必须立足于四大基础支柱：
- 确定的验真基准（Verifier） ：只有测试结果可量化，才能确保改动方向始终向好，防止“越改越乱”。
- 无损的轨迹捕获（Trace） ：是 Agent 识别性能瓶颈和错误来源的依据。
- 隔离的演进沙盒（Sandbox） ：确保未验证的逻辑绝不污染生产环境。
- 数据反哺流水线（RL Data Pipeline） ：将跑通沙盒的“高分轨迹”格式化输出，作为强化学习（RL）或微调（SFT）的数据源，使外部 Harness 积累的工程经验能够转化为底层的模型参数。
未来 Agent 系统的核心竞争力，不再单纯取决于大模型的初始智商，而取决于其 Harness 架构能否以更低的 Token 成本和更高的验证效率，完成无需人工干预的自主重构与演进。
当 Agent 具备了修补自身脚手架并完成闭环验证的能力，系统才真正完成了从“被动工具”向“自主自演进系统”的跨越。
未来 Agent 系统的核心竞争力，不再单纯取决于大模型的初始智商，还依赖其 Harness 架构能否以更低的 Token 成本和更高的验证效率，完成无需人工干预的自主重构与演进。
