大模型持续迭代不会消灭 Harness反而会推动 Harness 向上演化、持续增厚。底层用来弥补模型缺陷的补丁式框架会逐步被模型能力内化但多智能体调度、状态管理、跨模型协作、任务交接等上层管控需求会持续爆发。Kimi 前 CLI 负责人 stdrc 基于 Kimi CLI、Raft 落地经验提出核心论断认为 Harness 终将被模型取代的从业者大多缺少完整 AI 智能体工程落地经验。当下 AI 行业两极分化一边推崇极简 Agent 方案另一边深耕多智能体集群想要搭建稳定可用的企业级 AI 智能体必须理清模型与 Harness 的共生关系避开认知误区找准技术架构投入方向。问题大模型不断变强Harness 框架最终会消失吗随着 Pi 这类极简 Agent 方案走红行业形成一种主流观点依靠少量提示词、精简工具就能驱动模型完成任务未来大模型能力持续升级外部 Harness 运行管控框架会逐步被训练进模型最终彻底淘汰。同时衍生出第二个观点模型性能越强配套 Harness 架构就可以做得越轻薄。 两种看法广泛传播但大量一线工程案例证明该逻辑存在明显漏洞。stdrc 结合 Kimi CLI 从零搭建、迭代重构的实战经历提出反常识结论模型能力提升只会让底层 Harness 简化上层面向多智能体协作、长流程业务的 Harness 需求持续扩张二者属于阴阳共生动态演化关系Harness 永远不会消失。步骤逐层拆解认知误区掌握 Harness 演化完整逻辑步骤 1破除两大行业普遍误解建立正确认知误解一Harness 能够被训入模型最终彻底消亡很多技术从业者抱有该设想但是落地工程视角下存在三处硬缺陷Harness 是模型的协作训练场。需要外部框架搭建运行规则模型才有条件学习分工、任务配合不存在脱离运行框架凭空学会复杂协作的大模型智能提升会解锁更高复杂度场景。模型基础能力变强面对的真实业务需求难度同步上升如同人类进化出高等智慧后衍生法律、通信等复杂体系长流程业务无法依靠模型单独承载。多智能体协同、持续状态留存、长周期任务场景单纯依靠模型记忆极易出现信息遗漏、任务冲突属于系统工程问题不能依靠模型能力强行解决。误解二模型越强Harness 架构就越薄该观点只观察到底层架构变化忽略复杂度向上迁移趋势。随着大模型输出稳定性、工具调用能力提升大量补丁类 Harness 会退出舞台格式强制约束、超长纠错提示词、基础重试机制等弥补模型缺陷的设计不再必要。 但底层简化不等于整体变薄模型突破能力瓶颈后企业落地会涌现全新需求多 Agent 协同调度、跨会话状态同步、统一权限管控、跨模型通信协议、记忆主动管理。这类需求在弱模型时代不存在成为新一代 Harness 核心建设目标。步骤 2厘清 Harness 标准定义与核心组成不要将 Harness 简单等同于提示词与工具封装。工程层面Harness 是包裹大模型外层的运行时管控层核心目标保障模型稳定、可控、安全对接真实业务系统四大核心构成Agent 执行循环标准化任务启动、执行、校验、重试流程上下文与状态管理任务进度留存、上下文压缩、历史信息回溯工具与资源调度分配系统接口、算力、第三方服务资源安全与边界治理权限隔离、输出风控、操作留痕。模型与 Harness 属于动态平衡关系一部分底层能力持续被模型内化属于 “阴的扩张”业务复杂度持续向上催生新管控框架属于 “阳的延伸”。龙虾 PRO 相关实践文档可在longxiapro.com查阅更多智能体架构落地参考。步骤 3参考 Kimi CLI 实战看懂 Harness 真实演化路径Kimi CLI 从零起步搭建完整见证 Harness 生长周期初期阶段仅实现基础单工具调用Harness 重心放在引导模型正确调用工具迭代中期拓展并行调用、子智能体调度完善基础状态管理模块减法实验阶段团队主动移除子 Agent 调度、原生并行控制代码交由模型通过脚本自主实现验证底层 Harness 确实可以被模型能力替代架构升级阶段底层架构简化后多智能体通信、任务交接、跨会话记忆等上层难题暴露研发重心转向多 Agent 协作架构也是 Raft 项目技术源头。步骤 4理解 Raft 架构看清下一代厚 Harness 落地方向stdrc 创立 Raft直接放弃重复开发单 Agent 运行框架选择接入成熟大模型产品全部研发资源聚焦上层多智能体 Harness 建设四大核心方向独立身份与持久记忆为每个智能体分配独立运行进程任务中断后可持续接续工作协作分工机制模拟团队工作模式搭建任务认领、移交、日志留痕体系跨模型兼容通信统一通信协议打通不同厂商大模型实现异构 Agent 协同人机协同工作空间将技术框架转化为业务工作流实现人类员工与 AI 智能体协同办公。步骤 5预判长期终局找准技术投入方向Harness 演化最终形态具备极强隐蔽性。成熟落地场景中状态同步、权限管控、任务调度等底层逻辑会完全封装在产品内部使用者感知不到复杂调度系统如同人们日常工作不会持续感知社会规则体系。Harness 最终会成为 AI 数字化基础设施类似电网、供水系统融入企业日常业务流程。表格薄 Harness 与厚 Harness 核心特征对比表格对比维度传统底层薄 Harness下一代上层厚 Harness核心目标弥补大模型原生能力缺陷解决多智能体协同、复杂业务流程管控作用对象单个独立 AgentAgent 集群、人机混合团队典型功能输出格式约束、基础工具封装、简单重试跨 Agent 通信、任务交接、持久状态管理、权限治理依赖条件模型能力较弱容错率低大模型基础能力成熟稳定代表思路Pi 极简 Agent 路线Raft 多智能体集群架构消亡可能性持续弱化、部分功能被模型内化需求持续增长长期无法替代适用场景简单单次任务、轻量化 AI 脚本企业长流程业务、数字员工规模化落地结论AI 智能体行业不存在 “模型吞噬一切” 的单向演化趋势。大模型能力提升只会持续淘汰用于兜底纠错的底层补丁式 Harness但是企业规模化落地必然面临多智能体协作、长周期任务、跨系统对接等复杂场景驱动上层 Harness 持续增厚。 单纯模仿极简 Agent 方案只能完成轻量化零散任务想要搭建具备商业价值、可规模化落地的 AI 智能体体系研发重心不能局限优化单模型提示词与基础工具应当提前布局多 Agent 调度、状态治理、异构模型协同等上层架构能力。 技术从业者需要跳出静态认知不要纠结 “要不要搭建 Harness”而是区分清楚哪些架构模块可以交给模型内化哪些上层管控能力必须自主搭建以此构建长期难以复制的技术壁垒。想要落地企业级多智能体架构欢迎深入研究多 Agent 协作运行框架结合自身业务场景搭建分层 Harness 体系优先验证长流程任务稳定性与跨智能体任务流转能力。