如果你最近有在關注 AI 工程圈，一定聽過 Agent Harness（智能體駕馭系統）這個詞。從今年初開始，它幾乎是一夜之間變成所有討論的核心——Mitchell Hashimoto 提出概念、OpenAI 發表百萬行程式碼實驗報告、Martin Fowler 跟進深度分析，然後 DeepSeek 開源了他們的 harness，兩天內狂掃 95,000+ GitHub stars，創下史上最快的採用曲線之一。
這篇文章帶你快速搞懂：Harness 到底是什麼？為什麼重要？
核心公式：Agent = Model + Harness
業界現在的主流認知可以用一條公式概括：Agent = Model + Harness。Model（模型）負責推理思考；而 Harness 是圍繞模型的所有程式碼與執行邏輯——讓模型「動起來」的那一層。
Harness 就是「除了模型本身以外」的每一行程式碼、每一段設定、每一份執行邏輯。—— LangChain
有趣的是 Anthropic 對 Claude Code 的描述：他們稱自己的 harness 為「dumb loop（愚笨的迴圈）」——所有智能都在模型裡面，harness 只負責管理輪次。這種「薄 Harness」哲學與功能豐富的「厚 Harness」，正是目前工程圈的辯論焦點之一。
Harness 到底包含什麼？
以 Sebastian Raschka 對 coding agent 的拆解為例，一個完整的 harness 包含六大元件：
- 即時儲存庫上下文 — 在第一個 prompt 前就先收集好程式碼庫狀態
- Prompt 分層設計 — 分成可快取的前綴與可變的後綴，大幅節省成本
- 預定義工具 — 附帶驗證機制與路徑級存取控制
- 上下文壓縮 — clipping 與 compression 讓 context window 保持精簡
- 結構化會話記憶 — 與完整對話紀錄分開管理的記憶體
- 受限的子代理 — 唯讀權限加上遞迴上限的 bounded subagents
四層架構：別再把 Harness 和 Framework 搞混了
現在業界普遍把 AI Agent 技術棧切成四層：Model 負責推理；Harness 運行單一 agent；Framework 編排多個 agents（狀態與分支）；Platform 則是團隊規模管理多個 harness，涵蓋持久執行、成本歸因與治理。
一句話記住差異：Framework 負責組合 agents，Harness 負責運行它們。
2026 年九大主流 Harness
目前戰場上的主要玩家包括：Claude Code（Anthropic）、Codex（OpenAI，Apache-2.0）、OpenCode（MIT，支援 75+ 家 provider 含本地模型，199k stars 是目前之星）、DeepSeek Harness（MIT，一切皆插件，連 agent loop 都能換，還能把 Claude Code / Codex 當子代理驅動）、Goose（Linux Foundation，中立治理）、以及 Zed Agent、Qwen Code、OpenHands、Pydantic AI Harness 等。
選哪個其實沒有標準答案——重點是先想清楚你需要的是哪一層。
Harness Engineering：新的工程範式
隨著 harness 成為基礎設施，「如何工程化地打造 harness」也變成一門顯學。業界已形成共識的做法包括：把 prompt 當版本控制的程式當版本控制的程式碼管理、嚴格的工具權限沙箱、上下文成本監控等。而薄 vs. 厚 harness、記憶該放模型內還是外部等議題則還在辯論中。
結語
Agent Harness 的爆紅代表一件事：AI 發展的重心正從「比拼模型能力」轉向「比拼運行模型的系統」。模型再強，沒有一個設計良好的 harness，就只是一個會聊天的大腦。對開發者來說，現在入門的最佳方式，就是挑一個開源 harness（如 OpenCode 或 DeepSeek Harness）實際跑跑看——理解 harness 的那一刻，你才算真正理解現代 AI Agent。