harness
集里怎么说它
- 《从看护智能体到认知投降:工程师该守住什么》(00:17起):本集将 harness 描述为套在模型外面、让智能体得以运作的执行框架;智能体是模型和 harness 在一起;各家的 harness 能力正在趋同收敛
- 《Satya Nadella:别只盯着模型,私有评估和智能体才是企业的护城河》(08:24起):本集将其描述为用于运行、调度和管理多个模型与工具的中间件层。拥有开放的测试框架可接入任意模型,是实现让模型与工具协同爬山的必要基础设施。
- 《Claude Tag:住在 Slack 里的主动型队友,如何让 65% 的 PR 由 AI 开出》(17:36起):本集把它说成:每次出新模型要重新审视并做减法的部分——模型能力变强后,很多之前需要工具层兜底的逻辑可以删掉交给模型自己处理,少即是多
- 《黄仁勋对话 LangChain:用开放堆栈打造企业超级智能体》(01:31起):本集把它说成:套在模型外面的一整套系统(包括框架、上下文、工具、记忆、护栏等),让大语言模型变得真正有用。黄仁勋判断未来公司将建立在 harnesses 而非业务流程之上
- 《OpenAI 开发者日:从结对编程到指挥智能体大军》(10:35起):本集说它是控制智能体行为的核心调度框架,也是开源的,允许所有人 fork、检查、适配和接入开放模型
- 《DevOps 之父 Patrick Debois:AI 时代组织比技术更难成熟》(04:40起):本集把它说成一种约束和引导智能体的框架,是 AI 编码技术堆栈中从规范(spec)到循环(loop)之间的关键层,需要回归测试
- 《Anthropic 平台负责人:Claude 平台的「三层蛋糕」与给 token 分工的「策略」》(00:05起):本集大量讨论:两年前 harness 是引导模型走直线的脚手架,现在模型足够可引导、引导部分可以删掉;harness 该做的是允许模型跑更久,而通用 harness 不存在,值得自己掌控的是验证逻辑
- 《Factory CEO Matan:早两年等于错,退款、路由器与软件工厂》(17:53起):本集核心论点:支持多模型的 harness 反而更强——‘数据之于模型,正如模型之于 harness’,暴露越多模型越不过拟合单一模型的细微特性。
- 《Claude 异步智能体架构的四块基石》(02:29起):本集把它说成:指挥模型干活的控制程序(即「大脑」),在 Managed Agents 架构中变成了只与只追加日志对话的无状态进程,以确保挂了也不会丢失进度。
- 《DoorDash 联合创始人:我们其实是一家机器人公司》(41:08起):本集讨论企业 AI 落地时提出的未解难题:清洗数据、搭好 RL 环境后模型表现很好,真实企业环境却不行——是 harness 还要打磨,还是模型数据分布里根本缺这块能力。
- 《当系统出故障时,让 AI 代替作战室里的 50 个人——Traversal 谈如何造 AI SRE》(10:55起):为智能体提供运行环境和工具的外壳;本集指出需要一个聪明的 harness 来决定何时启动核心智能体,并与数据处理引擎共同设计。
- 《Claude Code 造物主 Boris:删掉 80% 系统提示词,让模型跑两周不停》(02:15起):本集把它说成包裹模型、让它能干活的工程外壳(含系统提示词、工具、权限控制),Boris 称 Claude Code 本身就是为 Claude 构建的最好的 harness,每代模型都要重新调整。
- 《eval 会取代 PRD 吗?AI 产品经理的新工作法门》(03:10起):本集把它说成:包裹在核心前沿模型外围的代码框架,赋予模型调用工具和推理的能力,使其能够执行多步任务。如果没有极强的 harness,目前模型解决不了困难问题。
- 《把智能体推向生产环境:为什么标准基础设施不够用》(00:27起):本集核心概念。指围绕基础模型搭建的全部代码(包括提示词、记忆、工具、基础设施、钩子与中间件等),旨在让模型在给定任务下表现最好;如果智能体 = 模型 + harness,只要不是模型本身,你写的围绕它的代码就是 harness。
- 《Datadog 4000 人AI赋能实战:删掉上下文反而更好》(24:58起):指智能体工具框架(如 Pi),eval 平台需要支持多个 harness 和多个模型。
- 《领投人拆解 Anthropic:三年登顶的增长秘方》(09:38起):本集说它是给模型套上的产品层——「有一个很棒的模型是一回事,但如果你不给人们一条使用模型的路径,你就是在等人们把应用重新平台化」;是 Anthropic 增长的最大意外之喜
- 《个人 AGI:用 Markdown 组建你自己的劳动力》(11:19起):本集说线束是将前沿模型和你的上下文连接在一起的东西,可以是 OpenClaw、Claude Code 等套件
- 《产品里的智能体为什么总“瞎”:Harmonic 的上下文可见性法则》(03:29起):本集说它的职责是与模型维持「上下文契约」,确保传入模型的消息列表不触及容量上限或发生上下文腐烂,通过工具按需给模型提供被卸载的数据。
- 《Anthropic 构建生产级智能体的教训:harness 须为模型能力演进而生》(03:48起):本集把它说成:围绕模型构建的外部控制框架。当模型进步而安全带不跟着变时,它会变成拖累性能的死重;必须模块化以便随模型演进快速迭代。
- 《AI 投资泡沫的崩盘剧本:为什么万亿美元建数据中心注定亏钱》(19:36起):本集把它说成:模型上层的编排工具(如 Claude Code、OpenCode),像高功能保姆管住顽童。过去 18 个月的能力提升很大部分来自挽具与后训练,而非动辄十亿美元的预训练。
- 《经验差距:让智能体越用越聪明》(04:35起):本集愿望三:模型外围的执行框架;很多 harness 围着一年半以前的模型建、主打防智能体做坏事,现在应改为定义好原语、让智能体去编排并放手
- 《9亿美元管道背后:Unify CTO 谈怎么把销售智能体的成本打下来》(09:56起):本集说他们的 harness 和编程智能体「出奇地相似」,区别只在产物是数据库记录和邮件而非改文件;要求云端运行、持久化、写 TypeScript、环境便宜且秒级启停、强租户隔离。
- 《拥有你自己的智能:Harness、Eval 与数据飞轮》(00:19起):本集的核心概念:围绕模型的运行框架,负责编排和调度,其主要工作是在正确的时机把上下文带给模型;智能体三要素(模型+上下文+harness)之一,越偏离模型训练分布越需要定制。
- 《给医疗理赔智能体套上 X12 护栏》(04:04起):本集把 harness 宽泛定义为围绕智能体推理的所有螺母和螺栓——记忆、工具、检查、权限、交接、eval——在医疗理赔语境下核心就是 X12。
- 《解锁智能体自主性:安全才是下一个瓶颈》(04:57起):本集说我们一定会用多个 harness(承载智能体运行的框架外壳),押注单一 harness 会让模型选择受限,所以安全方案必须跨 harness 生效。
- 《AI智能体安全:它们听起来像实习生》(06:14起):本集将其描述为套在模型外面让它能调用工具的框架,说为了让 OpenClaw、Scout 这些套索有效,你想给它接上一切——所有邮件、日历、数据库
- 《黑灯工厂来了:赢的不是单人玩家,是会改组织的团队》(03:51起):本集把它说成:给智能体套上的约束与工具框架,是开发者的新技术路径;线束越好,人类介入次数越低,且不应止步于编码,还要延伸到下游自动化与需求收集。
- 《Warp 如何打造云端智能体平台:把复杂性挡在用户之前》(01:45起):本集说 harness 是驱动智能体的工具,开发者对它有强烈偏好(如 Claude Code、Codex),平台做多 harness 支持并围绕它提供结构和护栏让体验一致。
- 《AI 原生组织如何运行在 Skills 之上》(01:10起):承载编码智能体运行的框架;本集建议把工作流理解为 harness 蓝图,在运行时塑造编码 harness 的行为
- 《Clay 的智能体矩阵:如何为数十亿次运行建评估》(03:02起):本集把它说成:Clay 各产品线共用的 eval/智能体测试框架,开发者只需自带 eval 套件和 LLM 裁判即可即插即用;智能体调用工具失败时也用它来改进。
- 《最便宜的模型反而是最便宜的:Factory CTO 谈 AI 定价陷阱》(19:52起):本集称其为新一代应用,所有逻辑在这里发生、状态在这里维护,上下文窗口扩展通过智能体内部的压缩机制而非模型层解决,持续学习也发生在套索层
- 《Rackspace 首席 AI 官 Chetan Gupta:企业该停止纠结模型、开始思考架构》(32:10起):嘉宾认为是最关键的新构建:把机器学习模型与可用成果绑起来的机制;同一个模型配两个不同线束会得到两个不同成果,编码工具好用靠的是编码线束而非模型本身。
- 《Token 都烧在哪了:Cursor 工程师教你把 AI 编程成本打下来》(03:08起):本集把它说成:围绕模型的整套调度框架——模型是引擎,harness 是车;它负责提示管理、拼凑上下文、协调工具调用,并替用户处理模型失忆导致的每轮上下文重喂
- 《用 Cursor 重构遗留代码库:从 PHP 到 React 的完整工作流》(09:50起):本集把它说成:Cursor 在平台与模型之间的层——工具执行、缓存管理、动态上下文管理、上下文组装,是重构大代码库真正发力的地方
- 《别小看 harness:智能体的「脚手架」正在决定成绩》(00:08起):本集主线概念:包裹在 LLM 外面、提供持久状态/工具/计算的那层脚手架;主持人强调同一套权重换个 harness 就能让 ArcAGI 从 30% 到 95%,并将其分为静态 harness 与自我改进 harness 两个时代。
- 《Codex 负责人亲述:OpenAI 内部如何造编程智能体》(21:51起):本集核心框架:「harness 总是比模型领先一点」——它是围绕模型的工具与执行框架,给模型配拐杖(护栏、安全、效率、可控性),随模型变强而缩减。
- 《当智能体学会替你操作电脑:聊天即新浏览器》(34:26起):本集说 harness 是实验室提供的围绕模型的执行框架(含工具调用、系统提示词),其与模型的边界正在模糊——旧模型的长系统提示词「几乎像被 RL 进了新模型」。
- 《用形容词驾驭 AI 设计:Impeccable 的控制哲学》(00:34起):本集指围绕编程模型的工作环境(如 Claude Code、Cursor、Codex),Impeccable 就是装进这些 harness 里发挥作用的设计技能
- 《把画布交给智能体:TLDraw 的空间协作实验》(06:48起):本集说 Fairies 的局限是整个 harness 必须是画布 harness,导致智能体被困在画布里、难以和真实世界配合。
- 《当 AI 决定买什么软件:G2 的「信任层」生意》(37:42起):本集引用 Satya Nadella 的判断收尾:SaaS 只是带业务逻辑的 CRUD 数据库,五年内七成成功的 SaaS 公司将转型为架在语言模型之上的 harness——技能、上下文、治理、连接器四要素,按消费量收费。
- 《Together AI 产品团队全公开:一套仓库让 PM 下指令就出生产级 PR》(00:57起):本集说他们将活在多模型、多 harness 的世界:仓库本体是 Markdown 上下文和技能,接的 harness 不锁死一家(Claude Code / OpenCode / Cursor 都能读同一套文件)
- 《智能体就只是文件:当配置取代 Python》(07:45起):本集说 harness 是驱动 agent 运行的底层编排框架,并给出判断标准:模型能力越强能删的编排代码越多,若 harness 随模型进步反而更复杂,就是过度工程化。
- 《AI 让个人更快,却没让团队更快:智能体记忆才是真瓶颈》(06:25起):本集说 harness 是模型之外的一切:工具、上下文窗口、记忆、检索、护栏——「这个马具就是身体」,且「如果你不拥有你的 harness,你就不拥有你的记忆」
- 《Box 创始人 Erin Levy:套壳的逆袭与应用层的万亿机会》(25:03起):本集把它说成:Box 自建的智能体工具框架,内置搜索系统、文件系统访问、文本抽取、分块、即时嵌入等工具,比直接把 API 交给 Claude/OpenAI 在准确率和延迟上都明显更好。
- 《为什么 90% 的 AI 原型死在了演示阶段?》(13:03起):本集说模型很好但必须把 harness 做对——它是分离在智能体循环之外的外置大脑,驱动分布式架构,某个智能体走错路时不会弄崩整个流程。
- 《Databricks CEO Ali:企业用不好 AI,缺的不是更聪明的模型,而是上下文》(56:06起):本集的反直觉成本发现:同一个模型、同一个版本,换不同的 harness 实际成本差近 2 倍——换 harness 本身就是很大的成本杠杆;配套的治理三件套是预算上限、成本分析、智能路由。
- 《硬科技复兴、智能体营收与单人创始人:YC 最前沿观察》(16:04起):本集说记录系统公司要么被猎食、要么必须变成智能体接入并展开工作的 harness,模型加 harness 才产生输出,下一场 AI harness 战争正在开始。
- 《技能工程的九种黑暗艺术:把 Skill 从提示词做成 Harness 扩展》(02:06起):本集反复强调的心智模型:‘提示词是咒语,harness 工程才是魔法’——要问’harness 有哪些能力可以利用’,利用子智能体、hooks、应用内浏览器等能力
- 《智能体时代,你的 PDF 数据管道拖后腿了吗》(17:48起):本集把它说成:给智能体配上一整套工具(如代码解释器、可视化)让它自主迭代,是攻克折线图提取和结构化提取中精确率/召回率权衡的前沿手段。
- 《循环就是产品:智能体配方与每瓦特价值》(01:31起):本集叙事三段迁移之一:模型成了商品、一切都看 harness;他们把配方构建在 pie harness 之上
- 《编码智能体开始接管机器人:LLM 控制物理世界的前沿》(00:46起):Waddle 把 harness 当作一种「领域特定性」:包裹 LLM 执行任务的框架,把学到的技能打包成程序、从过去经验向未来智能体蒸馏。
- 《Anthropic 的 Thariq 谈 Claude Code:提示词、CloudMods 与给前沿踩刹车》(03:23起):本集说 harness 会很快过时、变化方式反直觉;核心 harness(沙箱、权限、computer use、MCP)必须越来越复杂和安全,交互层则千变万化。
- 《AI 能解千年数学难题了,但它还不会「想出新点子」》(55:02起):本集讨论即时学习是 harness 可解还是模型本身的问题:试过 Claude Code、Codex、多智能体、笔记工具等都没攻克;直白建议能烘焙进 harness,但高层战略必须自己学出来。
- 《OpenAI DevDay 双专访:计算机使用 180 度大变样》(06:00起):模型外围的执行框架。Ari 建议开发者用官方 harness 而非自造,因为「模型是在自己的计算机使用框架上训练的」,分布内实现有速度、成本、准确率优势。
- 《MCP没有问题,你的智能体才有问题》(03:28起):本集说「MCP 吃上下文」其实是 harness(智能体执行框架)的问题——MCP 规范对如何设计 harness 只字未提,全量注册工具定义是构建智能体时的失职。
- 《token 无限量供应:用自动选模型省下 2.5 倍成本的编码智能体》(04:27起):本集说它是调度和包装模型调用的自动化执行框架,基于任务结果在合适时机挑选合适模型,痴迷于 token 成本、能在新模型胜出时当天全量切换,且完全开源。
- 《人是一个异步接口:冰淇淋配送背后的智能体架构》(04:12起):本集说 harness 是今年大家讨论的、帮助把智能体投入生产环境的结构,其边界(模型、工具、记忆、护栏是否在内)存在争论。
- 《模型不再是护城河,谁在围绕模型建「自己的智能」》(01:44起):本集说 harness 是把模型和领域上下文接线连接、让模型在正确时间看到正确上下文的那一层,必须模型中立——既是进攻也是防御。
- 《从一年到两小时:AI 时代的攻防时钟》(39:23起):本集说 harness 是围绕模型搭的编排框架,和模型本身一样重要:好的多智能体 harness 能让普通前沿模型得到接近最强模型(Mythos)的结果。
- 《AI 智能体不该握着钥匙干活:Docker 工程师的沙箱安全课》(02:20起):本集说 agent harness 其实很笨:接受上下文、发出工具调用、一个循环而已;它演化很快、会被不断替换,真正的危险在流入它的工具和上下文。
- 《AI 为什么这么聪明,却干不了保险核保?》(66:49起):本集说 harness 就是代码,其强大程度只取决于背后的智能;Diogo 甚至完全拒绝 harness 概念,称其为「无马的马车」式思维。
- 《每家公司都该有自己的AI模型吗?》(00:58起):本集建议先榨干 harness(围绕模型搭的工具链和调用环境)再做模型优化,八成找上门的问题靠一个好 harness 就能解决。
- 《智能体崩溃后还能原地复活?聊聊 Pi Durable》(26:08起):本集反复讨论:Py、AMP、OpenCode、Claude Code 等都是不同的 harness;两人比较各 harness 的插件架构、持久化方案,PyDurable 的架构就是让 harness 中发生的一切都变成可恢复的任务。
- 《AI 智能体上了生产环境,谁来管住它的手?》(03:53起):本集把它说成控制和执行智能体的应用程序外壳:是’双手’,负责确定性地执行智能体(大脑)制定的计划,是长时间运行、需要持久性的进程。
① 提到它的金句
35 条
就像如果我只是让它生成,那将是垃圾。如果我把我自己的上下文给它,像我的策展、我的品味、我的 harness,它就会说,嗯,不要供应商之类的东西,或者它必须有四个声音。
指向原始笔记的链接
Like if I would just have it generate, it will be rubbish. If I had like my own context to it, like my curation, my taste, my harness, it would be say, well, not vendors or kind of like things or like it has to have four voices.
—— Patrick Debois · [12:35]
所以这里出现了一种类比:数据之于模型,正如模型之于 harness。
指向原始笔记的链接
So there’s a sort of analog that emerges where it’s what data is to a model, models are to a harness.
—— Matan Grinberg · [20:06]
我认为另一个有趣的问题是,如果你是一家前沿实验室,真正的护城河在哪里?是在智能中,还是在工具链中?
指向原始笔记的链接
I think the other interesting question is, where is the real moat if you’re a frontier lab? Is it in the intelligence or is it in the harness?
—— Sriram Krishnan · [07:20]
思考这个等式最简单的方法是,如果你不是那个模型,你就是那个框架。
指向原始笔记的链接
the easiest way to think about this equation is that if you’re not the model, you’re the harness.
—— 嘉宾 · [00:56]
Markdown,而不是魔法。胖技能,瘦线束。
指向原始笔记的链接
Markdown, not magic. Fat skills, thin harness.
—— Garry Tan · [16:56]
如果你正在构建一个 UX,并且有一些东西与对话并排很好渲染,但它既不存在于消息列表中,也没有被机具卸载并提供发现它的方式,那么它对智能体来说本质上就是不可见的。
指向原始笔记的链接
if you’re building a UX and you have something that’s nicely rendered side by side with the conversation, but it doesn’t exist either in the message list or offloaded by the harness with a way to discover it, it’ll be essentially invisible to the agent.
—— 嘉宾 · [08:32]
当模型演进而安全带不变时,它会拖累智能体的表现。
指向原始笔记的链接
When the model moves and the harness doesn’t, it degrades the agent.
—— Isabella Kai He · [08:57]
安全带的修复程序不再被需要,并且实际上在 Opus 4.5 的模型性能中起反作用。
指向原始笔记的链接
The harness fixes were no longer needed and were actually detracting from model performance with Opus 4.5.
—— Isabella Kai He · [08:49]
harness 的主要工作是在正确的时机把上下文带给模型。
指向原始笔记的链接
The main job of the harness is to bring context to the model at the right point in time.
—— Harrison Chase · [02:07]
我的回答通常是,你越是处于模型训练内容分布之内,现成的 harness 就越好用。
指向原始笔记的链接
My answer generally is the more in distribution you are of what the models are trained on, then the better the off-the-shelf harness will be.
—— Harrison Chase · [07:19]
我认为我们经常看到,你越偏离分布,就越会想要定制 harness。
指向原始笔记的链接
I think we often see that the more out of distribution you get, the more you’re going to want to customize the harness.
—— Harrison Chase · [21:51]
如果他们正在构建正确的产品,他们将能够利用这种判断力,以便今天的判断力成为明天的智能。
指向原始笔记的链接
And if they’re building the right product, they will be able to harness that judgment so that the judgment of today is the intelligence of tomorrow.
—— Julien Bek · [61:45]
我喜欢用的一个类比是:如果模型是引擎,那 harness 本质上就是引擎周围的那辆车。
指向原始笔记的链接
The analogy I like to use is that if the model is the engine, the harness is essentially the car around the engine.
—— Santi Garza · [03:50]
我认为 harness 长期以来一直被贬低为二流研究,然而它字面上就给我们带来了 18% 的提升——这就是 harness 一和 harness 二之间的差距。
指向原始笔记的链接
So I think harnesses have long been belittled as subpar research, yet it literally gives us an 18% bump in the difference between harness one and harness two.
—— 嘉宾 · [01:14]
而仅仅加上一些 harness——这种不配称为研究的东西,只是一些包装和脚手架——我们就能达到 95%,NVIDIA 的 ABO 更是达到了 100%。
指向原始笔记的链接
And just with some harness, this thing that doesn’t deserve any research, just some wrapper and some scaffolding, we can get to 95% and ABO from NVIDIA got to 100%.
—— 嘉宾 · [03:56]
要么我们在学习系统提示词,要么我们在学习 harness 本身——这非常迷幻。
指向原始笔记的链接
Either we’re learning the system prompt or we’re learning the harness itself, which is very trippy.
—— 嘉宾 · [14:18]
从某种意义上说,harness 总是比模型领先一点。
指向原始笔记的链接
So the harness, in a sense, is always a little bit ahead of the model.
—— Tibo Sottiaux · [36:27]
我不得不和模型对抗,不让它表现得像它被训练时所用的那个 harness。
指向原始笔记的链接
I have to fight against the model to not act like the harness that it was trained with.
—— Demetrios Brinkmann · [37:22]
五年后,今天成功的公司里有七成到那时将完成从 SaaS 到 harness 的转变。
指向原始笔记的链接
Five years from now, seven out of 10 companies today that are successful then will have made the switch from SaaS to harness.
—— Tim Sanders · [58:22]
一个明显的趋势是,随着模型能力提升,我们可以移除编排代码;但如果你的 harness 在模型进步时反而变得更复杂,你很可能是在过度工程化你的 harness。
指向原始笔记的链接
An obvious trend that with better model capabilities, we can remove orchestration code, but if your harness is getting more complex as the model improves, you are most likely overengineering your harness.
—— Philipp Schmid · [16:05]
把一个智能体里的模型部分拿掉,剩下的所有东西,那就是 harness。
指向原始笔记的链接
If you take an agent, remove the model part from it and everything that you have left, that’s the harness.
—— Mike Chambers · [04:54]
Harrison Chase 说,你的 harness、你的记忆,如果你不拥有你的 harness,你就不拥有你的记忆,这是关键。
指向原始笔记的链接
Harrison Chase said, your harness, your memory, and if you don’t own your harness, you don’t own your memory, which is key.
—— Kay Malcolm · [18:20]
所以 harness 工程的目标是一次又一次地创造可靠且可预测的输出,而推理模型是非常非确定性的。
指向原始笔记的链接
So the goal of harness engineering is to create reliable and predictable outputs over and over, whereas a reasoning model is very non-deterministic.
—— Ignacio Martinez · [11:26]
如果有一个实操配方我希望你们带走,那就是:冻结测试框架,定义场景,记录轨迹,给行为打分,并且只暴露一个很小的策略面。
指向原始笔记的链接
If there’s one practical recipe I want you to take away, freeze the harness, define scenarios, log traces, score behavior, and expose only a small policy surface.
—— Erina Karati · [19:36]
它们能通过,是因为我们构建了一个不会让它出错的挽具。
指向原始笔记的链接
They pass because we built a harness that won’t let it be wrong.
—— Andrew Orobator · [18:01]
我们是在自己的计算机使用框架上训练我们的模型,所以使用模型分布内的那一套是有优势的。
指向原始笔记的链接
we train our models on our computer use harness, so there is an advantage to using the one that’s in distribution for the model.
—— Ari · [16:31]
你觉得我们会作为人类盯着这个看吗?绝对不会。但一个自主的框架、一个痴迷于 token 成本的自动化编码智能体,就会做到这一点。
指向原始笔记的链接
Do you think we look at this as human? Absolutely not. But an autonomous harness, an automated coding agent that is obsessed with token costs is going to do just that.
—— Laurent · [06:46]
第一,我们认为 harness 需要是模型中立的,也就是你不应该被耦合到某个特定的模型上。
指向原始笔记的链接
One, we think the harness needs to be model neutral, so you shouldn’t be coupled to a particular model.
—— 嘉宾 · [04:40]
慢慢地加入越来越多的逻辑,因为要在像 Claude Codes 和 Codexes 这样的东西里添加额外的 harness 逻辑非常困难,因为它们的核心循环就是一个 while 循环。
指向原始笔记的链接
That slowly add more and more logic because it’s very hard to add additional harness logic into like the Claude codes and codexes because their core loop is just a while loop.
—— Diogo Almeida · [82:37]
但我们学到的一件事是,实际上我们当时做的那些事情,大部分用一个更好的 harness 就能做得同样好,而且便宜得多。
指向原始笔记的链接
But one of the things that we’ve learned is actually most of those things that we were doing, we could do just as well, a lot cheaper, with a better harness.
—— Woodson Martin · [28:35]
但这里的要点和收获是:搜索帮你找到信息,而 harness 给你可信赖的结果。
指向原始笔记的链接
But the idea here and the takeaway is that search helps you find information, and the harness gives you the results that you can trust.
—— George He · [22:49]
而 Gemini API 里的 anti-gravity 智能体仍然是同一个 harness,意思是如果我们改进 Gemini 使它在那个 harness 下变得更好,我们在 anti-gravity 里受益,但我们在 Gemini API 里也受益。
指向原始笔记的链接
Then the anti-gravity agent we have in the Gemini API, but it’s still the same harness, meaning if we improve Gemini to become better with that harness, we benefit inside anti-gravity, but we also benefit inside of the Gemini API.
—— Philipp Schmid · [08:51]
Harness 是双手,大脑是 LLM。
指向原始笔记的链接
Harness is the hands, the brain is the LLM.
—— Viren Baraiya · [10:02]
智能体只是盒子里的智能,而你围绕它们构建的 harness 才是赋予它们能力、在下游交付这些成果的东西。
指向原始笔记的链接
Agents are just intelligence in a box and the harness that you surround them with is what provides them with the ability to deliver these outcomes downstream.
—— Abhi Arya · [12:59]
第一个是,你应该真正发布你自己版本的 harness。
指向原始笔记的链接
The first one is you should actually ship your own version of the harness.
—— Dominik Kundel · [16:05]
② 出现在这些集
65 集
- 《从看护智能体到认知投降:工程师该守住什么》 — 作为概念
- 《Satya Nadella:别只盯着模型,私有评估和智能体才是企业的护城河》 — 作为概念
- 《Claude Tag:住在 Slack 里的主动型队友,如何让 65% 的 PR 由 AI 开出》 — 作为概念
- 《黄仁勋对话 LangChain:用开放堆栈打造企业超级智能体》 — 作为概念
- 《OpenAI 开发者日:从结对编程到指挥智能体大军》 — 作为概念
- 《DevOps 之父 Patrick Debois:AI 时代组织比技术更难成熟》 — 作为概念
- 《Anthropic 平台负责人:Claude 平台的「三层蛋糕」与给 token 分工的「策略」》 — 作为概念
- 《Factory CEO Matan:早两年等于错,退款、路由器与软件工厂》 — 作为概念
- 《Claude 异步智能体架构的四块基石》 — 作为概念
- 《DoorDash 联合创始人:我们其实是一家机器人公司》 — 作为概念(提及)
- 《当系统出故障时,让 AI 代替作战室里的 50 个人——Traversal 谈如何造 AI SRE》 — 作为概念
- 《Claude Code 造物主 Boris:删掉 80% 系统提示词,让模型跑两周不停》 — 作为概念
- 《eval 会取代 PRD 吗?AI 产品经理的新工作法门》 — 作为概念
- 《把智能体推向生产环境:为什么标准基础设施不够用》 — 作为概念
- 《Datadog 4000 人AI赋能实战:删掉上下文反而更好》 — 作为概念(提及)
- 《领投人拆解 Anthropic:三年登顶的增长秘方》 — 作为概念
- 《个人 AGI:用 Markdown 组建你自己的劳动力》 — 作为概念(提及)
- 《产品里的智能体为什么总“瞎”:Harmonic 的上下文可见性法则》 — 作为概念
- 《Anthropic 构建生产级智能体的教训:harness 须为模型能力演进而生》 — 作为概念
- 《AI 投资泡沫的崩盘剧本:为什么万亿美元建数据中心注定亏钱》 — 作为概念
- 《经验差距:让智能体越用越聪明》 — 作为概念
- 《9亿美元管道背后:Unify CTO 谈怎么把销售智能体的成本打下来》 — 作为概念
- 《拥有你自己的智能:Harness、Eval 与数据飞轮》 — 作为概念
- 《给医疗理赔智能体套上 X12 护栏》 — 作为概念
- 《解锁智能体自主性:安全才是下一个瓶颈》 — 作为概念
- 《AI智能体安全:它们听起来像实习生》 — 作为概念(提及)
- 《黑灯工厂来了:赢的不是单人玩家,是会改组织的团队》 — 作为概念
- 《Warp 如何打造云端智能体平台:把复杂性挡在用户之前》 — 作为概念
- 《AI 原生组织如何运行在 Skills 之上》 — 作为概念
- 《Clay 的智能体矩阵:如何为数十亿次运行建评估》 — 作为概念
- 《最便宜的模型反而是最便宜的:Factory CTO 谈 AI 定价陷阱》 — 作为概念
- 《Rackspace 首席 AI 官 Chetan Gupta:企业该停止纠结模型、开始思考架构》 — 作为概念
- 《Token 都烧在哪了:Cursor 工程师教你把 AI 编程成本打下来》 — 作为概念
- 《用 Cursor 重构遗留代码库:从 PHP 到 React 的完整工作流》 — 作为概念
- 《别小看 harness:智能体的「脚手架」正在决定成绩》 — 作为概念
- 《Codex 负责人亲述:OpenAI 内部如何造编程智能体》 — 作为概念
- 《AI 的通用遥控器:为什么智能体行业还需要一个 ACP 协议》 — 作为概念
- 《当智能体学会替你操作电脑:聊天即新浏览器》 — 作为概念
- 《用形容词驾驭 AI 设计:Impeccable 的控制哲学》 — 作为概念
- 《把画布交给智能体:TLDraw 的空间协作实验》 — 作为概念(提及)
- 《当 AI 决定买什么软件:G2 的「信任层」生意》 — 作为概念
- 《Together AI 产品团队全公开:一套仓库让 PM 下指令就出生产级 PR》 — 作为概念
- 《智能体就只是文件:当配置取代 Python》 — 作为概念
- 《AI 让个人更快,却没让团队更快:智能体记忆才是真瓶颈》 — 作为概念
- 《Box 创始人 Erin Levy:套壳的逆袭与应用层的万亿机会》 — 作为概念
- 《为什么 90% 的 AI 原型死在了演示阶段?》 — 作为概念
- 《Databricks CEO Ali:企业用不好 AI,缺的不是更聪明的模型,而是上下文》 — 作为概念
- 《硬科技复兴、智能体营收与单人创始人:YC 最前沿观察》 — 作为概念(提及)
- 《技能工程的九种黑暗艺术:把 Skill 从提示词做成 Harness 扩展》 — 作为概念
- 《智能体时代,你的 PDF 数据管道拖后腿了吗》 — 作为概念
- 《循环就是产品:智能体配方与每瓦特价值》 — 作为概念
- 《编码智能体开始接管机器人:LLM 控制物理世界的前沿》 — 作为概念
- 《Anthropic 的 Thariq 谈 Claude Code:提示词、CloudMods 与给前沿踩刹车》 — 作为概念
- 《AI 能解千年数学难题了,但它还不会「想出新点子」》 — 作为概念
- 《OpenAI DevDay 双专访:计算机使用 180 度大变样》 — 作为概念
- 《MCP没有问题,你的智能体才有问题》 — 作为概念
- 《token 无限量供应:用自动选模型省下 2.5 倍成本的编码智能体》 — 作为概念
- 《人是一个异步接口:冰淇淋配送背后的智能体架构》 — 作为概念(提及)
- 《模型不再是护城河,谁在围绕模型建「自己的智能」》 — 作为概念
- 《从一年到两小时:AI 时代的攻防时钟》 — 作为概念
- 《AI 智能体不该握着钥匙干活:Docker 工程师的沙箱安全课》 — 作为概念
- 《AI 为什么这么聪明,却干不了保险核保?》 — 作为概念
- 《每家公司都该有自己的AI模型吗?》 — 作为概念
- 《智能体崩溃后还能原地复活?聊聊 Pi Durable》 — 作为概念
- 《AI 智能体上了生产环境,谁来管住它的手?》 — 作为概念
③ 关联
点进去有真内容 —— 本页主要出口
智能体 · Anthropic · 沙箱 · Claude Code · 评估 · OpenAI · Codex · MCP · 护栏 · 推理
