2026年2月，OpenAI一支小团队产出了100万行生产级代码，一行手写都没有——全部由AI Agent完成。人类设计的，是让Agent可靠运转的那套系统，现在有了名字：Harness Engineering。几周内，Anthropic连发3篇论文，ThoughtWorks整理出框架，Hugging Face的Philipp Schmid直接称其为“2026年最重要的学科”。
什么是Harness？Agent = Model + 缰绳
ThoughtWorks给出最简定义：Agent = Model + Harness。Harness就是模型以外的一切——约束、反馈回路、文档、工具权限。去掉Harness，模型在代码库里瞎猜；加上对的Harness，就能产出生产级代码。Philipp Schmid用电脑比喻：Model是CPU，Context Window是RAM，Harness就是操作系统，管理CPU看到什么、什么时候看到。大多数人跑Agent等于“没有操���系统”，一上线就崩。
LangChain在Terminal Bench 2.0上测试：旧Harness得分52.8%，新Harness66.5%，同一模型，差13.7个百分点。Vercel反向操作——砍掉Agent 80%的工具，效果反而更好。
5个核心产物：从文件到冲锋契约
1. AGENT.md / CLAUDE.md / .cursorrules ——散布在代码库各处的Markdown文件，Agent每次会话开头读取，像新工程师的入职文档。没有它，Agent每次都是盲开机。
2. JSON Feature List ——进度追踪器。每项记录：功能、验证方法、Pass/Fail状态。Anthropic发现Agent无意覆盖JSON的概率比Markdown低，细节关键但影响巨大。
3. Session初始化常规 ——Anthropic的7步开机：确认目录→读git log与进度→抓最高优先级未完成项→启动开发服务器→跑基础E2E验证→实现一个功能→提交更新。每次一致，Agent立刻进入工作状态。
4. Sprint Contract（冲锋契约） ——写代码前，两个Agent先谈判：Generator提案做什么、怎么验证成功；Evaluator审查。双方同意才开工。同一轮内既规划又执行的Agent，输出不可靠。
5. Structured Task Template（结构化任务模板） ——写代码前���Harness先分析真实代码库，产出接地的影响地图（真实文件路径、真实符号名、既有模式、验收标准），然后再动手。跳过的团队，Agent会发明不存在的API。
3大学派：环境、分离、框架
OpenAI学派（环境优先）：设计环境到极致，然后放Agent跑。Sora Android应用：4个工程师28天完成，Play Store排名第一，99.9%无崩溃。Codex每周处理内部70%的PR。哲学：设计环境，然后放Agent去跑。
Anthropic学派（把做和审分离）：自评不行，Agent会给自己打全A。解法：三个专职Agent——Planner把2句话提示变成完整规格，Generator一次一个sprint实现，Evaluator用浏览器自动化测试。A/B测试：单Agent无Harness成本$9/20分钟产出坏掉的应用；完整Harness成本$200/6小时产出可运行软件+精致UI。
ThoughtWorks学派（2×2框架）：基于50+团队失败模式，将每个Harness控制分为两个轴：时间（Feedforward指引 vs Feedback反馈）和方式（Computational确定性 vs Inferential LLM型）。形成2×2矩阵：Type System/Linter（Computational+Feedforward）、Test Suite/CI（Computational+Feedback）、Spec文档/约束描述（Inferential+Feedforward）、LLM Code Reviewer（Inferential+Feedback���。强调Feedforward和Feedback必须同时存在。
5条普世原则
Context胜过Instruction——给Agent当前世界的状态地图，比抽象指令更有效。接地在真实文件路径，输出适配代码库；含糊描述导致幻觉路径。
规划与执行必须分离——同一轮里既规划又执行不可靠。规划这一步不一定要人做，但必须是分开的一步，输出被审核后才能开工。
Feedback回路不可妥协——OpenAI用CI/CD，Anthropic用另一个LLM，ThoughtWorks两者叠加。没有Feedback的Harness只是带步骤的提示词。
一次只做一件事——强制造渐主义。Anthropic常规：读进度→挑一个功能→实现→提交→重复。想一次做太多的Agent会耗尽上下文、失去连贯性、安静地丢掉需求。
代码库本身就是文档——AGENT.md、Feature List、Git历史就是Agent的连续性机制。如果约定不在代码库里，Agent就不会知道。脏仓库加AI等于规模化混乱。
Harness衰退：为删除而建
Anthropic从Opus 4.5升到4.6时，sprint拆解组件变多余；4.7模型开始自行验证输出，Evaluator角色缩水。模型进步让Harness组件隐含的假设过期，变成纯开销。Philipp Schmid建议：Build to delete——设计每个组件时可移除，定期关掉测试是否还有用。Manus半年重构Harness 5次，LangChain一年重整3次，Vercel砍掉80%工具后表现变好。
成本现实：Anthropic A/B测试中，单Agent无Harness成本$9，完整Harness $200——22倍成本换来真正能跑的产品。但Harness+模型组合会进化：更好模型=更简单Harness=更便宜的单次运行=更快输出。