这篇不绕概念，就一个目标：用大白话把 Harness 讲明白。看完你能一句话告诉别人——它是什么、有什么用、为什么 AI 没它就干不成事。 （写给会用 AI 工具、却时不时被它坑一把的独立创作者和开发者。）

先给结论：Harness 就是「别让 AI 瞎猜」

网上讲 Harness 的文章，十篇有九篇在说「它是套在大模型外面的缰绳 / 脚手架 / 中间层」。比喻都对，但听完你还是不知道它具体管什么。

换个说法，一句到底——Harness 就是把 AI 干活的每一步尽量定死，把「靠它现场发挥」换成「按既定流程执行」。 模型再聪明也只负责「想」；让这份聪明每次都稳稳落地的，才是 Harness。

要更准确一点的定义

抛开比喻：Harness 是位于 Agent 与基础模型之间的「中间层」。它让 AI 不只是「有想法」，而是真正具备能稳定执行的能力。一个常见的拆法是：

Harness = 指令(Instructions) + 工具(Tools) + 环境(Environment) + 反馈(Feedback) + 监控(Observation)

这 5 块不是我随口编的——后面讲 OpenAI 那个实验时，你会看到它们怎么各司其职。

一个生活场景：AI 是厨师长，Harness 是后厨服务团队

想象 AI 是一位厨艺顶尖的厨师长：什么菜都会做，但不能直接碰食材，所有动作都得通过服务团队执行。

一句话：Harness = 那个服务团队——递东西给它、把结果带回来、并确保它只能做该做的事。

代码上更直白

（不写代码也没关系，看注释就懂——重点只在对比「有没有人拦着它」。）

# ❌ 没有 Harness：没人拦得住它
open("secret.txt")        # 随便读文件
exec("rm -rf /")          # 想删系统？它真会删

# ✅ 有 Harness：只能通过受控接口
harness.tool_call("read_file", path="secret.txt")
# 背后：先查权限 → 隔离环境读取 → 清理敏感信息再返回

AI 根本不知道真实路径在哪，每一次调用都被 Harness 拦下来检查。这就是「能想」和「能安全地干」的区别。

它到底有多猛？看 OpenAI 自己的实验

OpenAI 团队做过一个实验：5 个月、约 100 万行代码、约 1500 个 PR，全部由 Codex 生成，人类工程师一行都没手写，团队最初只有 3 人。¹

这怎么做到的？靠的不是一个大模型，而是一整套 Harness：

记住这句：不是模型突然变强，而是 Harness 把它管好了。

一张图看懂谁管谁

Agent 是马，Harness 是缰绳和马鞍，你是骑手。 没有缰绳，再快的马也只会乱跑；缰绳握在谁手里，谁才说了算。

别搞混：Prompt ≠ Harness

只写一段「你是一个助手，请帮我……」——那只是 Prompt，只决定「说什么」。

Harness 则是「怎么说才能安全有效地把事做成」的一整套：工具接口 + 权限控制 + 反馈机制 + 约束规则。

第一性原理：把每个环节的「变量」摁成「常量」

AI 为什么会跑偏？因为从输入到输出，每个环节都塞满了不确定性——这次要干嘛、它会调什么工具、会不会乱删、格式飘不飘。Harness 的第一性原理只有一句：在每个环节里，尽量减少变量。 把模糊的、随机的东西，逐个变成写死的、可预期的常量。

一个真实的例子：为什么建了 Skill 还老出错

我媳妇每天用 AI 工具处理一个 Excel、自动生成日报，却三天两头出错——有时是大模型自己理解偏了，有时是 Excel 本身格式有问题。她很困惑：明明已经建好了 Skill，为什么还老翻车？

我的回答是：Skill 只告诉了 AI「该做什么」，但每一步具体怎么做，仍然是让大模型现场「推测」——只要有推测，就有变量；有变量，就会出错。

真正的解法是把这条流程「程序化」：读哪一列、怎么求和、遇到异常怎么处理，凡是能写成确定脚本的，就别留给模型临场发挥；模型只做它真正擅长的那部分（比如把算好的数据写成一段通顺的日报）。

一句话：减少大模型的「推测」，就是减少变量。

一句话记牢：变量越少，结果越稳。 你做的每一件 Harness 工作，本质都是在「消掉一个变量」。这也是判断要不要加某个规则/工具的标准——它到底帮你减少了哪个变量？如果答案是「没有」，那就别加。

为什么你平时感觉不到它？

因为你通常接触的是结果，而不是过程。就像用电脑时你不会感知到 CPU 怎么运转，只会觉得「这软件打开挺快」。

所谓「AI 好像变聪明了」，很多时候不是模型变强了，而是背后有人把 Harness 搭好了。

那一个人能怎么用？（简单粗暴版）

你不用马上搭一套复杂系统。先给你的 AI 配齐这「三根缰绳」就够了：

• 指令：写清它是谁、要干嘛、什么不能干（一份固定的 system prompt）。
• 工具：明确它能用哪些工具、哪些动作必须先问你（一张白名单）。
• 反馈：让它先给提纲/草稿 → 你确认 → 再继续，别一把梭。

这三根缰绳具体怎么落地（可直接抄的 system prompt、规则文件、MCP 白名单表），下一篇《一人公司 Harness 指南·中》专门讲。

写在最后

下次 AI 又给你翻车，先别急着骂模型——回头看看：是哪个环节的变量还没摁住？

找到它、把它写死，你就又攥紧了一根缰绳。野马驯成战马，就是这么一根根缰绳攒出来的。

P.S. 哪天你对象又吐槽你部署的 AI 工具不好用——先别急着辩解，把这篇直接转给 ta。

参考