模型在吃掉 harness，吃不掉的只有三样

造 Cursor harness 的人，在台上放了一张幻灯片：一个只给模型 shell 权限、旁边摆着全部 API 密钥的最简 harness。他特意叮嘱观众别拍照，然后问：这么简陋的东西，跑编程评测能跟精装 harness 打平吗？台下多数人觉得不能。

伯克利的研究说：能。

说这话的人叫 Jediah Katz，2025 年初加入 Cursor，自称是那里资历最老的 harness 工程师，今年随着 SpaceX 对 Cursor 的收购去了 SpaceXAI。10 月 20 日前后的 AI Engineer 大会上，他给了这个问题的两面答案：写代码这件事，花哨的 harness 已经不能让模型更聪明了；但 harness 比以往任何时候都更重要。

harness 到底是什么

这个词红起来还没多久。2023 年最火的头衔叫提示词工程师，2025 年年中改叫上下文工程师，今年年初，行业才统一叫出 agent harness 这个名字——指的就是 Cursor、Claude Code、Codex 这些东西在做的事：一个模型，外面套一套壳。

Katz 把这套壳拆成两层。底下是运行时：agent 主循环在哪儿跑、状态存在哪儿、中断了怎么接着干。这层像传统软件工程，扎实但不性感。上面是上下文与编排层：什么时候调哪个模型、给模型看什么、提示词和工具怎么配、记忆怎么压缩，还有一堆用户根本不知道的小把戏。大家平时聊的「harness」多半指这层。

这套壳曾经非常忙碌。年初的 Cursor 还在秀肌肉：用一个长跑型多模态 harness 编排一大批 agent 和机器，从零写出一个浏览器——贵到为了做这个演示把自家服务搞挂了一两次。

然后风向就变了。

「死了」的证据

宣布 harness 已死的人，阵容不小。Anthropic 在同一个活动里讲了他们删掉了 Claude Code 的大部分系统提示词——「约 80%」这个数出自 Claude Code 创造者 Boris Cherny 在 YC Startup School 的演讲，删完在编程评测上没有可测量的损失。YC 的 Garry Tan 判断 harness 会淡出，最后只剩技能。Katz 自己的团队也在删：他们曾经养一个小模型专门负责把代码编辑应用到文件里，因为当时的前沿模型做不好这件事；还写过一堆教模型怎么探索代码库、怎么自查的指令。模型变聪明后，这些全删了。

最硬的证据是研究。伯克利和 Arena 的一项研究让七个前沿模型跑在包括 Pi、Codex、Claude Code 在内的一批 harness 上，发现对更新更聪明的模型，换 harness 在 SWE-bench Light 上成绩几乎没有差别——但成本差得远，最多差到五倍。另一个研究算得更细：同一个模型，在 Claude Code 里比在 Pi 里贵一倍，成绩只差 1.1%。Apple 和 EPFL 的团队在 MLEBench 上得到同样的结论：专门的 MLE harness 带不来多大提升。

「花哨的 harness 在今天已经不再增加编程智能。」这句话从 Katz 嘴里说出来，分量和别人不一样——他是造这个的人。

数据飞轮

为什么会这样？Katz 给了一个解释，也是整场演讲最核心的概念：数据飞轮。

harness 把更难的编程任务拉进射程，于是更多用户能拿 agent 去干这些活，干活的轨迹变成数据流回模型实验室，模型把这些技能原生学会了。模型学会了，harness 就把自己当年打的补丁一个个删掉。飞轮转完一圈：harness 变瘦，模型变强。

换句话说，harness 在用自己的工作，消灭自己的工作。你今天觉得理所当然的能力——探索陌生代码库、连续干几个小时不跑偏、跑测试自查——几年前都住在 harness 里，靠提示词和小模型硬撑着。现在它们搬进了权重。

Grok Bot 在把护栏加回去

故事到这里还没有完。有趣的是，Cursor 这边一直在删，SpaceXAI 的 Grok Bot 那边却一直在加——加新提示词，加新护栏。

原因不复杂。Grok Bot 的 harness 不是为编程设计的，它管的是一个「自主同事」：长期存在的协调 bot 带着一队干活的 agent，像雇了一个亲自管策略的律师，把活分给一队律师助理。做幻灯片、订差旅、汇报沟通、什么时候该问人什么时候该动手、怎么记住你的工作习惯——这些任务模型还没啃下来，眼下正是 harness 把它们变得可行。

这就补上了数据飞轮的最后一环：当一项能力被模型商品化之后，是 harness 去打开下一片新大陆，把飞轮再推起来。编程之外，Katz 还举了软件工厂的例子：bug 报进渠道，自动化立刻分诊，云端 agent 接单去修，修完放出前后对比视频证明，上线之后还有另一个 agent 盯着生产环境。一层 harness 编排着一群 agent——他自己叫它 meta harness。

吃不掉的三样东西

那模型再聪明下去，harness 还剩什么？Katz 说了三样，恰好都在那层上下文编排之外。

在哪儿跑。agent 干活已经从几分钟拉长到几天，一台会合盖的笔记本电脑撑不住这件事，自主同事必须跑在云上。他给了一个可打脸的预测：六个月内，九成的 agent 工作将不在笔记本上跑。

能碰什么。简陋 harness 配上全部密钥确实能解题，但没人愿意一觉醒来发现一个一万美金的 API 账单，或者一次收不回来的灾难性操作。权限要按人、按 agent 收窄，护栏要确定性——这不是模型能力问题，是信任问题。

花多少钱。伯克利那两份研究真正教的事在这里：换 harness 成绩几乎不动，成本能差五倍。成绩是模型的，账单是 harness 的。Katz 最近一个月就在干这个：调缓存命中率、token 效率、模型搭配，把 Grok Bot 的成本和速度压下来，质量不掉。

还有一个细节值得单独讲。harness 里那些为模型补洞的临时护栏，他们内部叫 shim：比如 Grok Bot 回复太慢，就轻轻推它一把「用户还在等」。这类东西他们全部登记在册，模型每用一次记一次；哪个 shim 哪天不再被触发，就有一个 bot 自动提 PR 把它删掉。飞轮不只是个比喻——他们给自己的补丁装了退役机制。

所以 harness 死了吗？让模型更会写代码的那部分，确实死了，死因是模型把它吃进了权重。但替 agent 开新大陆的那部分、管信任的那部分、管账单的那部分，才刚刚开场。用 Katz 自己的话收尾：昨天的 harness 或许死了，明天的那一套万岁。