最近圈子里有个挺有意思的现象，大家都在聊模型有多强，GPT-5、Opus 4.6 这些名字满天飞。但如果你真去用了像 Claude Code 或者 Codex 这种真正的 Coding Agent，你会发现一个很扎心的事实：同样的模型权重，换个壳子，体验简直是云泥之别。Sebastian 之前发了一篇很硬核的文章，把这个问题扒得很透。他没去纠结模型本身的参数大小，而是把目光投向了模型外面那层系统——他管这个叫 Harness。说实话，读完之后我有一种“拨开云雾见青天”的感觉。原来我们以前总觉得 AI 写代码不行，可能是模型笨；现在看清楚了，很多时候是“工位”没配好。今天这篇内容，我想把这套逻辑掰开了、揉碎了讲清楚。这不仅是一篇技术解析，更像是一份给所有想搞 AI 工程化落地的开发者的避坑指南。如果你正打算在团队里推行 Coding Agent，或者自己搞个智能体玩，这篇干货绝对能帮你省下不少头发。先把概念理顺：别把 LLM 和 Agent 混为一谈咱们先做个简单的科普，虽然老生常谈，但很多坑就是因为概念混淆踩进去的。很多人觉得，Coding Agent 就是一个“会写代码的聊天机器人”。大错特错。真实的 Coding Agent，本质上是这三个东西的组合体：
1. 模型（LLM）：这是引擎，负责预测下一个 token。
2. 控制循环（Agent Loop）：这是大脑的节奏，决定下一步是看代码、跑测试还是改文件。
3. 运行时系统（Harness）：这是外部环境，负责给模型提供上下文、工具权限、状态记忆和反馈。你可以把 LLM 想象成一个刚毕业的天才程序员。他代码写得飞快，逻辑也没问题。但是，如果你把他扔到一个没有文档、没有权限、不知道项目结构、也没有测试环境的房间里，让他去修一个复杂的 Bug，他大概率会给你写出一堆看起来很像样、但完全跑不通的代码。这时候，Harness 的作用就出来了。它就像是给这位天才配了一个资深导师、一套完善的 IDE、清晰的代码规范、自动化的测试脚本，以及一个能记录他所有操作日志的系统。所以，为什么 ChatGPT 聊天框里的模型，和 Claude Code 里的模型，体感差距那么大？不是因为聊天框里的模型突然变笨了，而是因为 Claude Code 外面多了一层极其复杂的工程系统。这层系统，就是 Harness。为什么聊天框里的同款模型，没那么能打？咱们来复盘一下真实的软件开发流程。你以为写代码主要是在“生成下一段代码”吗？其实不是。在真实的项目里，工程师 80% 的精力花在这些地方：
* 导航仓库结构，找文件；
* 搜索文档，理解业务逻辑；
* 查找函数定义，看依赖关系；
* 应用 Diff，理解变更；
* 运行测试，看报错日志；
* 维持上下文连续性，别做着做着忘了刚才改了什么。这些事，人类工程师觉得累，是因为它们琐碎、脏、而且容易打断心流。而一个好的 Coding Harness，最大的价值就在于：它把这些脏活累活，自动接过去了。当你在聊天框里问模型时，它只有你发给它的文字。但在 Claude Code 或 Codex 里，模型能直接看到你的目录结构，能直接运行 pytest，能直接读取 AGENTS.md 里的规范。Sebastian 有个推测很有意思：如果把今天最强的开源模型（比如 GLM-5），放进跟 Codex 同等成熟的 Harness 里，最终体验未必会比 GPT-5.4 差太多。这话虽然有点绝对，但方向是对的。这几年，真正的进步往往发生在模型外面的系统层。模型选型固然重要，但 Harness 的工程质量，往往才是决定体感的关键。一个能协作的 Coding Agent，到底长啥样？如果把 Coding Harness 拆开看，它通常由三层叠起来：1. 模型层：提供智力引擎。
2. Agent 循环层：观察（Observe）→ 检查（Inspect）→ 选择（Choose）→ 执行（Act）。
3. 运行时支撑层：提供上下文、工具、状态、权限、反馈。真正拉开差距的，往往不是那个最小的循环，而是循环外面越来越厚的那层工程设施。比如：
* 仓库事实怎么收集？
* 状态怎么持久化？
* 工具怎么卡边界，防止模型乱删文件？
* 测试和日志怎么回流给模型？
* 长上下文怎么压缩，避免窗口爆满？
* 子智能体怎么约束，防止它无限递归？这些细节，才是区分“玩具”和“生产力工具”的分水岭。决定成败的 6 个核心组件为了让大家更直观地理解，我们可以把 Coding Agent 拆成 6 个核心组件。这 6 个组件，每一个都在解决真实工程中的痛点。# 1. Live Repo Context：先拿稳定事实，再开始推理用户说一句“修一下测试”，对模型来说远远不够。它得先知道：
* 当前是不是 Git 仓库？
* 现在在哪个分支？
* 目录结构长什么样？
* README 或 AGENTS.md 里有没有特殊规则？
* 哪些脚本才是标准入口？核心就一个意思：模型不能两眼一抹黑地开工。如果它能看到 AGENTS.md，就更可能知道应该跑哪条测试命令。如果它知道仓库根目录和文件结构，就更可能去对的地方找代码，而不是瞎猜。这就好比新同事入组第一天，先看项目文档，先摸清目录，先知道团队怎么做事。不是一坐下就开始改文件。一个成熟的 Agent，通常会先把这些稳定事实收集出来，整理成一个工作区摘要，每轮任务都带着它出发。# 2. Prompt Shape & Cache Reuse：稳定的东西要稳定下来Agent 摸清仓库之后，下一个问题是：怎么把这些信息喂给模型。一个不太聪明的做法是，每轮都把整份上下文重新拼一遍，再让模型从头读一遍。这样当然也能跑，但很浪费。因为写代码是一个反复拉扯的过程。在这个过程中：
* 系统指令通常不变；
* 工具定义通常不变；
* 仓库摘要大多数时间也基本不变。真正高频变化的，其实是：
* 用户最新请求；
* 最近几轮对话；
* 刚返回的工具结果；
* 短期工作记忆。所以更好的做法，是把提示词拆成两部分：
* 稳定前缀：系统指令、工具定义、工作区摘要。
* 动态部分：当前请求、近期历史、短期记忆。这样做有两个现实好处。一是更容易命中缓存，成本更低，速度更稳。二是结构更清楚，长任务里也更不容易漂。# 3. Structured Tools：真正危险的，不是工具少，而是边界不清很多人会把“会不会调工具”理解成模型能力。但工具层的大头其实在 Harness。模型能做的，只是输出一个结构化动作。真正让这个动作安全、可控、能落地的，是外层系统继续做的几件事：
* 校验参数；
* 检查路径；
* 判断是否需要人工批准；
* 执行动作；
* 把受控结果再喂回循环。流程其实很清楚：模型先输出动作 → Harness 验证 → 必要时请求人工批准 → 执行 → 结果传回系统。所以工具设计里最重要的判断，可能不是“多不多”。而是：
* 是不是白名单？
* 描述是不是清楚？
* 输入是不是可验证？
* 出错时能不能明确失败？
* 路径和权限有没有边界？最近很多 Agent 实践也在说同一件事：如果工具设计不对，模型选错工具时，你表面上以为是模型笨，实际上常常是工具本身不适合模型来用。一个能在错误方向上高速乱跑的 Agent，通常比一个稍慢一点、但动作受控的 Agent 更危险。# 4. Context Management：长任务的真正难点，很多时候不是推理，是别吃撑这一节讲的不是“更聪明”，而是“别失真”。写代码这种任务，天生会制造大量脏上下文：
* 文件很多；
* 日志很长；
* 工具输出很臭很长；
* 同一个文件会被反复读取；
* 历史对话会不断累积。如果 Harness 老老实实把这些东西一股脑全塞回去，上下文窗口很快就满了。所以一个好的 Coding Agent，核心能力之一其实是“会忘”。至少有三种常见的压缩动作：
* Clipping：超长输出直接截断。
* Transcript reduction / summarization：把完整历史压成更轻的近期摘要。
* Deduplication：早先读过的重复文件别一遍遍喂。这里还有一个原则，也很实用：近的事保留更多细节。远的事压得更狠。因为离当前决策越近，通常越重要。这一段看起来很像脏工程，很少拿来当卖点。但 Sebastian 有句话说得好：很多表面上的“模型质量”，其实是上下文质量。很多系统最终稳不稳，真的就死在这里。# 5. Session Memory：完整记录和工作记忆，不是一回事Coding Agent 至少应该有两层状态：
* Full Transcript：完整记录。保存所有用户请求、工具输出和模型回复。目标是可恢复、可审计。
* Working Memory：工作记忆。只保留当下任务最需要的精炼状态。目标是让任务不断线。这个区分很重要。因为很多人会把“压缩后的近期历史”和“工作记忆”混在一起。但两者不是一回事。
* 压缩后的对话，是为了重建提示词。
* 工作记忆，是为了维护任务连续性。前者更像近期上下文的浓缩包。后者更像一份手动维护的小备忘录。里面可能只有这些信息：
* 当前最重要的任务是什么？
* 哪些文件最关键？
* 最近做过什么？
* 还有哪些待办没收尾？这层设计，在长任务里特别有用。因为很多时候，模型不是突然变笨了。而是系统没有把“完整历史”和“当前重点”分开。# 6. Delegation & Subagents：子智能体不是越多越好，关键是怎么绑住当 Agent 有了工具，也有了状态，下一步很自然就会想到委托。主智能体正在干主线任务时，常常会冒出来一些适合拆出去的支线问题：
* 这个符号在哪个文件定义？
* 这个测试为什么挂？
* 这个配置到底写了什么？这种时候，子智能体就很有价值。它能把辅助问题剥离出去，减轻主循环负担。也能在理想情况下做并行。但子智能体最危险的地方有两个：
* 给它的上下文不够，它出去一趟什么也做不了；
* 给它的边界太松，它回来前已经把系统搞乱了。所以真正难的，不是“会不会 spawn subagent”。而是：
* 给它多少上下文才够？
* 它能不能写文件？
* 能不能继续往下再生子智能体？
* 它和主智能体是不是会重复劳动？
* 它的任务范围是不是足够清楚？还有一个有意思的现实细节。Claude Code 很早就支持子智能体。Codex 是后来补上的。而 Codex 通常也不是一刀切地强制子智能体只读。更多时候，它们会继承主智能体的大部分沙箱和批准设置。也就是说，边界不一定只靠“只读”来做。很多时候更依赖任务范围、上下文大小和深度控制。对照自己的系统，可以先看什么如果顺着一个比较现实的排查顺序往下看，通常可以先看这几件事：1. 模型是不是在零上下文里盲启动？
2. 长期规则和当前请求是不是混在一起？
3. 工具是不是太多、太散、描述太工程师视角？
4. 日志和历史是不是在吞掉注意力？
5. 工作记忆和完整记录是不是混成一坨？
6. 子智能体是不是已经比主智能体还难控？如果这些地方有明显问题，可能不必急着上更多 Agent。先把单 Agent 的协作基础设施补稳，通常更划算。因为单个 Agent 如果连规则、上下文、工具、记忆和验证都还没站稳，多开几个往往不是在提效，更像是把混乱并行化了。不是说多 Agent 没价值。只是很多系统还没到那一步。它和 OpenClaw 像吗？像，但不完全是一类东西Sebastian 在结尾还提了一下 OpenClaw，这个对比挺有意思。大致的看法是：
* Coding Harness 更像终端里的专用编码助手。
* OpenClaw 更像本地通用智能体平台，编码只是其中一种工作负载。两者也确实有不少重叠：
* 都会利用工作区里的指令文件，比如 AGENTS.md；
* 都会保留会话文件；
* 都会做记录压缩和状态管理；
* 都支持辅助会话或子智能体。
最近圈子里有个挺有意思的现象，大家都在聊模型有多强，GPT-5、Opus 4.6 这些名字满天飞。但如果你真去用了像 Claude Code 或者 Codex 这种真正的 Coding Agent，你会发现一个很扎心的事实：同样的模型权重，换个壳子，体验简直是云泥之别。Sebastian 之前发了一篇很硬核的文章，把这个问题扒得很透。他没去纠结模型本身的参数大小，而是把目光投向了模型外面那层系统——他管这个叫 Harness。说实话，读完之后我有一种“拨开云雾见青天”的感觉。原来我们以前总觉得 AI 写代码不行，可能是模型笨；现在看清楚了，很多时候是“工位”没配好。今天这篇内容，我想把这套逻辑掰开了、揉碎了讲清楚。这不仅是一篇技术解析，更像是一份给所有想搞 AI 工程化落地的开发者的避坑指南。如果你正打算在团队里推行 Coding Agent，或者自己搞个智能体玩，这篇干货绝对能帮你省下不少头发。先把概念理顺：别把 LLM 和 Agent 混为一谈咱们先做个简单的科普，虽然老生常谈，但很多坑就是因为概念混淆踩进去的。很多人觉得，Coding Agent 就是一个“会写代码的聊天机器人”。大错特错。真实的 Coding Agent，本质上是这三个东西的组合体：
1. 模型（LLM）：这是引擎，负责预测下一个 token。
2. 控制循环（Agent Loop）：这是大脑的节奏，决定下一步是看代码、跑测试还是改文件。
3. 运行时系统（Harness）：这是外部环境，负责给模型提供上下文、工具权限、状态记忆和反馈。你可以把 LLM 想象成一个刚毕业的天才程序员。他代码写得飞快，逻辑也没问题。但是，如果你把他扔到一个没有文档、没有权限、不知道项目结构、也没有测试环境的房间里，让他去修一个复杂的 Bug，他大概率会给你写出一堆看起来很像样、但完全跑不通的代码。这时候，Harness 的作用就出来了。它就像是给这位天才配了一个资深导师、一套完善的 IDE、清晰的代码规范、自动化的测试脚本，以及一个能记录他所有操作日志的系统。所以，为什么 ChatGPT 聊天框里的模型，和 Claude Code 里的模型，体感差距那么大？不是因为聊天框里的模型突然变笨了，而是因为 Claude Code 外面多了一层极其复杂的工程系统。这层系统，就是 Harness。为什么聊天框里的同款模型，没那么能打？咱们来复盘一下真实的软件开发流程。你以为写代码主要是在“生成下一段代码”吗？其实不是。在真实的项目里，工程师 80% 的精力花在这些地方：
* 导航仓库结构，找文件；
* 搜索文档，理解业务逻辑；
* 查找函数定义，看依赖关系；
* 应用 Diff，理解变更；
* 运行测试，看报错日志；
* 维持上下文连续性，别做着做着忘了刚才改了什么。这些事，人类工程师觉得累，是因为它们琐碎、脏、而且容易打断心流。而一个好的 Coding Harness，最大的价值就在于：它把这些脏活累活，自动接过去了。当你在聊天框里问模型时，它只有你发给它的文字。但在 Claude Code 或 Codex 里，模型能直接看到你的目录结构，能直接运行 pytest，能直接读取 AGENTS.md 里的规范。Sebastian 有个推测很有意思：如果把今天最强的开源模型（比如 GLM-5），放进跟 Codex 同等成熟的 Harness 里，最终体验未必会比 GPT-5.4 差太多。这话虽然有点绝对，但方向是对的。这几年，真正的进步往往发生在模型外面的系统层。模型选型固然重要，但 Harness 的工程质量，往往才是决定体感的关键。一个能协作的 Coding Agent，到底长啥样？如果把 Coding Harness 拆开看，它通常由三层叠起来：1. 模型层：提供智力引擎。
2. Agent 循环层：观察（Observe）→ 检查（Inspect）→ 选择（Choose）→ 执行（Act）。
3. 运行时支撑层：提供上下文、工具、状态、权限、反馈。真正拉开差距的，往往不是那个最小的循环，而是循环外面越来越厚的那层工程设施。比如：
* 仓库事实怎么收集？
* 状态怎么持久化？
* 工具怎么卡边界，防止模型乱删文件？
* 测试和日志怎么回流给模型？
* 长上下文怎么压缩，避免窗口爆满？
* 子智能体怎么约束，防止它无限递归？这些细节，才是区分“玩具”和“生产力工具”的分水岭。决定成败的 6 个核心组件为了让大家更直观地理解，我们可以把 Coding Agent 拆成 6 个核心组件。这 6 个组件，每一个都在解决真实工程中的痛点。# 1. Live Repo Context：先拿稳定事实，再开始推理用户说一句“修一下测试”，对模型来说远远不够。它得先知道：
* 当前是不是 Git 仓库？
* 现在在哪个分支？
* 目录结构长什么样？
* README 或 AGENTS.md 里有没有特殊规则？
* 哪些脚本才是标准入口？核心就一个意思：模型不能两眼一抹黑地开工。如果它能看到 AGENTS.md，就更可能知道应该跑哪条测试命令。如果它知道仓库根目录和文件结构，就更可能去对的地方找代码，而不是瞎猜。这就好比新同事入组第一天，先看项目文档，先摸清目录，先知道团队怎么做事。不是一坐下就开始改文件。一个成熟的 Agent，通常会先把这些稳定事实收集出来，整理成一个工作区摘要，每轮任务都带着它出发。# 2. Prompt Shape & Cache Reuse：稳定的东西要稳定下来Agent 摸清仓库之后，下一个问题是：怎么把这些信息喂给模型。一个不太聪明的做法是，每轮都把整份上下文重新拼一遍，再让模型从头读一遍。这样当然也能跑，但很浪费。因为写代码是一个反复拉扯的过程。在这个过程中：
* 系统指令通常不变；
* 工具定义通常不变；
* 仓库摘要大多数时间也基本不变。真正高频变化的，其实是：
* 用户最新请求；
* 最近几轮对话；
* 刚返回的工具结果；
* 短期工作记忆。所以更好的做法，是把提示词拆成两部分：
* 稳定前缀：系统指令、工具定义、工作区摘要。
* 动态部分：当前请求、近期历史、短期记忆。这样做有两个现实好处。一是更容易命中缓存，成本更低，速度更稳。二是结构更清楚，长任务里也更不容易漂。# 3. Structured Tools：真正危险的，不是工具少，而是边界不清很多人会把“会不会调工具”理解成模型能力。但工具层的大头其实在 Harness。模型能做的，只是输出一个结构化动作。真正让这个动作安全、可控、能落地的，是外层系统继续做的几件事：
* 校验参数；
* 检查路径；
* 判断是否需要人工批准；
* 执行动作；
* 把受控结果再喂回循环。流程其实很清楚：模型先输出动作 → Harness 验证 → 必要时请求人工批准 → 执行 → 结果传回系统。所以工具设计里最重要的判断，可能不是“多不多”。而是：
* 是不是白名单？
* 描述是不是清楚？
* 输入是不是可验证？
* 出错时能不能明确失败？
* 路径和权限有没有边界？最近很多 Agent 实践也在说同一件事：如果工具设计不对，模型选错工具时，你表面上以为是模型笨，实际上常常是工具本身不适合模型来用。一个能在错误方向上高速乱跑的 Agent，通常比一个稍慢一点、但动作受控的 Agent 更危险。# 4. Context Management：长任务的真正难点，很多时候不是推理，是别吃撑这一节讲的不是“更聪明”，而是“别失真”。写代码这种任务，天生会制造大量脏上下文：
* 文件很多；
* 日志很长；
* 工具输出很臭很长；
* 同一个文件会被反复读取；
* 历史对话会不断累积。如果 Harness 老老实实把这些东西一股脑全塞回去，上下文窗口很快就满了。所以一个好的 Coding Agent，核心能力之一其实是“会忘”。至少有三种常见的压缩动作：
* Clipping：超长输出直接截断。
* Transcript reduction / summarization：把完整历史压成更轻的近期摘要。
* Deduplication：早先读过的重复文件别一遍遍喂。这里还有一个原则，也很实用：近的事保留更多细节。远的事压得更狠。因为离当前决策越近，通常越重要。这一段看起来很像脏工程，很少拿来当卖点。但 Sebastian 有句话说得好：很多表面上的“模型质量”，其实是上下文质量。很多系统最终稳不稳，真的就死在这里。# 5. Session Memory：完整记录和工作记忆，不是一回事Coding Agent 至少应该有两层状态：
* Full Transcript：完整记录。保存所有用户请求、工具输出和模型回复。目标是可恢复、可审计。
* Working Memory：工作记忆。只保留当下任务最需要的精炼状态。目标是让任务不断线。这个区分很重要。因为很多人会把“压缩后的近期历史”和“工作记忆”混在一起。但两者不是一回事。
* 压缩后的对话，是为了重建提示词。
* 工作记忆，是为了维护任务连续性。前者更像近期上下文的浓缩包。后者更像一份手动维护的小备忘录。里面可能只有这些信息：
* 当前最重要的任务是什么？
* 哪些文件最关键？
* 最近做过什么？
* 还有哪些待办没收尾？这层设计，在长任务里特别有用。因为很多时候，模型不是突然变笨了。而是系统没有把“完整历史”和“当前重点”分开。# 6. Delegation & Subagents：子智能体不是越多越好，关键是怎么绑住当 Agent 有了工具，也有了状态，下一步很自然就会想到委托。主智能体正在干主线任务时，常常会冒出来一些适合拆出去的支线问题：
* 这个符号在哪个文件定义？
* 这个测试为什么挂？
* 这个配置到底写了什么？这种时候，子智能体就很有价值。它能把辅助问题剥离出去，减轻主循环负担。也能在理想情况下做并行。但子智能体最危险的地方有两个：
* 给它的上下文不够，它出去一趟什么也做不了；
* 给它的边界太松，它回来前已经把系统搞乱了。所以真正难的，不是“会不会 spawn subagent”。而是：
* 给它多少上下文才够？
* 它能不能写文件？
* 能不能继续往下再生子智能体？
* 它和主智能体是不是会重复劳动？
* 它的任务范围是不是足够清楚？还有一个有意思的现实细节。Claude Code 很早就支持子智能体。Codex 是后来补上的。而 Codex 通常也不是一刀切地强制子智能体只读。更多时候，它们会继承主智能体的大部分沙箱和批准设置。也就是说，边界不一定只靠“只读”来做。很多时候更依赖任务范围、上下文大小和深度控制。对照自己的系统，可以先看什么如果顺着一个比较现实的排查顺序往下看，通常可以先看这几件事：1. 模型是不是在零上下文里盲启动？
2. 长期规则和当前请求是不是混在一起？
3. 工具是不是太多、太散、描述太工程师视角？
4. 日志和历史是不是在吞掉注意力？
5. 工作记忆和完整记录是不是混成一坨？
6. 子智能体是不是已经比主智能体还难控？如果这些地方有明显问题，可能不必急着上更多 Agent。先把单 Agent 的协作基础设施补稳，通常更划算。因为单个 Agent 如果连规则、上下文、工具、记忆和验证都还没站稳，多开几个往往不是在提效，更像是把混乱并行化了。不是说多 Agent 没价值。只是很多系统还没到那一步。它和 OpenClaw 像吗？像，但不完全是一类东西Sebastian 在结尾还提了一下 OpenClaw，这个对比挺有意思。大致的看法是：
* Coding Harness 更像终端里的专用编码助手。
* OpenClaw 更像本地通用智能体平台，编码只是其中一种工作负载。两者也确实有不少重叠：
* 都会利用工作区里的指令文件，比如 AGENTS.md；
* 都会保留会话文件；
* 都会做记录压缩和状态管理；
* 都支持辅助会话或子智能体。
方法详解与实战应用)
)
