# harness

**Repository Path**: openminds/harness

## Basic Information

- **Project Name**: harness
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-23
- **Last Updated**: 2026-06-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 新书《Harness工程：从上下文管理到Agent系统构建》的配套代码

<img width="1200" height="1200" alt="f4e11c20d72fafd88d0ddd78816dca9e" src="https://github.com/user-attachments/assets/c755cdbd-a2e3-4179-af6a-b2d5fd55d897" />

当前，大语言模型（Large Language Model，LLM）的能力日益强大，不仅能够进行复杂的逻辑推理，甚至能写出超越大多数程序员水平的代码。然而，LLM本质上是一个“思考者”，而非“行动者”——它可以告诉你如何修改代码，却无法真正操作你的工程文件。 

我们可以通过提示词让LLM生成一段代码，但如果希望它基于已有的工程进行代码阅读、搜索，或者将生成的代码真正写入文件，而不仅仅停留在对话框中，就必须为其配置工具，并赋予它调用工具的能力。此时，LLM便从单纯的模型进化为一套精心设计的工程系统，这便是
AI Agent（智能体）。 

但是，仅赋予模型调用工具的能力显然不够。代码编写并非一蹴而就，而是一个循环往复的过程：LLM需要阅读部分代码，思考编写逻辑，搜索相关上下文，再编辑代码。这一持续思考与调用工具的过程，需要在LLM之外进行精心的工程设计，这便是Agent Loop（智能体循环）。 

此外，LLM的上下文窗口是有限的。阅读十几个文件、进行数十次代码搜索，很快就会消耗数十万Token。即便是号称国产最强编程模型的GLM-5，其上下文长度也不过200k Token。
因此，如何组织上下文，将最有价值的信息精准填入 LLM 的“工作记忆”中，便成为关键，这就是Context Engineering（上下文工程）。 

不仅如此，规划、反思、任务管理、Agent Teams（智能体团队）等概念，本质上都是通过“模型之外”的工程手段，将LLM转换为能够处理复杂业务逻辑的AI Agent。无论是模型上下文协议（Model Context Protocol，MCP）、上下文工程，还是任务管理、Agent Loop、Agent Teams、
技能（Skills），这些工程手段都在做着“模型之外”的事情。它们的集合，被归纳为 Harness Engineering（还未有公认的中文翻译，本书使用“Harness工程”）。正如第6章提出的：AI Agent = LLM + Harness。

由此归纳，AI开发的路径便变得脉络清晰：要么深入研究LLM本身，设法提升其推理能力，或在同等能力下降低训练与部署成本；要么专注于 Harness，让 LLM 能够在真实世界中完成更多有价值的任务。 

到了2026年，业界呈现出一个显著趋势：LLM之间的能力差距正在逐渐缩小。我们已经告别了2023年那种“同一句提示词在GPT上效果惊艳，换到通义千问等模型上却差强人意”的时代。然而，面对同一个模型，为其配套不同的Harness，其表现却天差地别。这也解释了为什么在AI编程领域，越来越多的程序员开始告别自己更习惯使用的IDE类编程软件，转而拥抱Claude Code 这类看似不太习惯的命令行工具。 

本书正是在这一背景下诞生的。 

本书以上下文工程与Harness工程为主线，系统梳理了从工具调用Agent到深度思考Agent、从单一智能体到多智能体协作的技术演进路径。在写作过程中，经历了上下文工程、Coding Agent、Skills、OpenClaw、Harness 等概念的相继火热，每一次新概念的出现，都促使我重新审
视并调整内容结构，力求将最前沿、最实用的技术体系，结合工程实践，清晰、毫无保留地呈现给读者。