Grok Bot 与 Cursor Harness 负责人谈 Harness 是否已死
Agent Harness 已死？Grok Bot & Cursor Harness 负责人 Jediah Katz 认为: 编码补丁正被模型吸收，开拓新任务、安全与效率仍离不开 Harness！
Grok Bot 与 Cursor Harness 负责人 Jediah Katz 认为，Harness 中帮模型写代码的部分正被模型吸收，但开拓新任务边界、提供基础设施与信任安全、优化效率这三项职责仍离不开 Harness。他引用 UC Berkeley 在 SWE-bench Lite、Apple 和 EPFL 在 MLE-Bench 上的测试称，不同 Harness 的分数差别不显著，但单任务成本差别明显。他还预测 6 个月内 90% 的 Agent 工作会脱离个人电脑、在云端运行。
查看原帖Inside Grok Bot: is the agent harness dead? @jediahkatz of @SpaceXSI explains why smarter models let Cursor remove prompts and guardrails, and why Grok Bot is adding them back. Watch his AI Engineer New York talk: https://t.co/3dHGpRezon https://t.co/hYEUl4orJr
正文
Agent Harness 已死？Grok Bot & Cursor Harness 负责人 Jediah Katz 认为: 编码补丁正被模型吸收，开拓新任务、安全与效率仍离不开 Harness！
模型越来越聪明，Harness 里"帮模型写好代码"的那部分确实在消失。但 Harness 还有两项消失不了的职责：一是带模型开拓新的任务边界，二是提供模型无法吸收的基础设施、信任安全和效率。
演讲者与背景 @jediahkatz 2025 年初加入 Cursor，是在 Agent Harness 上工作时间最长的工程师，随 Cursor 被收购后加入 SpaceX并参与 Grok Bot Harness。他梳理了这个领域的称呼变迁：2023 年流行"提示词工程师"，2025 年年中变成"上下文工程师"，今年业界才定名为"Harness 工程"。
# Harness 由什么组成
Harness 是模型的"眼睛和手"，向上对接用户使用的 App，向下连接电脑和第三方服务（如 MCP）。他把它分成两层：
运行时层：决定 Agent 循环在哪里运行、状态怎么保存以便中断后继续，比较接近传统软件工程。
上下文与编排层：决定什么时候调用哪个模型、模型能看到什么，包括提示词、工具、记忆、压缩，以及各种行为调校技巧。他形容这一层是"蛮荒西部"。
# 为什么有人说 Harness 已死
今年年初是 Harness 的高峰：Cursor 用一个叫 Grind Swarm 的长时运行 Harness 从零写出了一个浏览器，成本极高，据说还把 Cursor 搞宕机过一两次。
几个月后，风向变成"Harness 已死"：Anthropic 的 Tariq 说 Claude Code 删掉了大部分系统提示词；YC 的 Garry Tan 认为以后只有 Skills 重要；Cursor 自己也删掉了很多护栏，比如专门用来应用代码修改的小模型，以及"如何探索代码库、如何检查自己的工作"这类编码指令。
研究证据：UC Berkeley 测试了 7 个前沿模型配不同 Harness（Pi、Codex、Claude Code），在 SWE-bench Lite 上分数差别不显著；Apple 和 EPFL 发现，专门的 MLE Harness 在 MLE-Bench 上也没有带来明显提升。
他的判断：如今花哨的 Harness 已经不再增加模型的编码能力。原因是一个数据飞轮：Harness 让更难的任务变得可行，于是更多用户用 Agent 去做这些任务，更多数据流向模型厂商，模型把这些技能内化，Harness 就可以删掉当初的补丁。可以说，Harness 在让自己过时。
# Harness 为什么没死
开拓新边界：编码能力被模型"商品化"之后，由 Harness 去开辟下一类任务，飞轮再转一圈。他以自家的 Grok Bot 为例：在 Cursor 是不断删提示词、删护栏，在 Grok Bot 却是加回了很多，因为做幻灯片、订旅行这类网页流程，汇报进度但不打扰用户，判断该直接做还是先问（比如替用户发邮件），以及通过记忆学习用户的习惯，这些模型都还没完全掌握。另一个例子是"软件工厂"：Bug 报告进来后自动分诊，云端 Agent 修复并录制修复前后的对比视频，上线后再由另一个 Agent 盯着生产环境。这相当于一个编排多个 Agent 的"元 Harness"。
模型吸收不了的部分：
基础设施：Agent 的任务已经从几分钟延长到几小时、几天，不可能放在一台会休眠的笔记本上跑，必须上云；
信任与安全：权限按 Agent、按人收窄，防止灾难性操作，或者醒来发现一张一万美元的 API 账单；
效率：前面那两项研究虽然发现分数差别不大，但单任务成本差别显著。他过去一个月通过提升缓存命中率、Token 效率和优化模型组合，在质量不下降的情况下明显降低了成本和延迟。
# 接下来的趋势
产品又跑在了模型前面，Harness 会先变乱再变干净，所以设计上要方便功能上线和下线。一个表现是越来越少向用户暴露内部机制，理由是 Hyrum 定律（你暴露的任何东西都会被用户依赖），代价是透明度降低。
设计面向 Agent 的原语（primitives）：例如"订阅"，用一个统一的工具让 Agent 响应 Slack 消息、CI 失败、定时等各种事件，而不是给每种事件单独做集成。
集中追踪"补丁"（shim）：对模型的已知坏习惯，先用确定性规则临时修补（比如提醒它"用户在等你"），每次触发都记录下来；一旦某个补丁不再触发，就由一个 Bot 自动提 PR 删掉它。
抽象层级上移：上一代 Harness 是由多次 LLM 调用组合而成，新一代以 Agent 作为基本单元。
他预测：6 个月内，90% 的 Agent 工作会脱离个人电脑，在云端运行。