如何理解Harness Engineering

Agent=LLM+Context+Function calling

Harness应该是除了LLM 以外的都叫做Harness工程（更正下）

歪果仁就喜欢造些新词，不对，国人也喜欢。为了唬住人，差不多的事情，可以造很多奇奇怪怪的词。比如我就没对AI Infra和FDE的技能划分有疑问，这大量重合的技能，其次，这和传统运维的技能也是大量重合的。

工程，即软件设计使用了哪种工程，如果只是使用不同太关心。如果是开发 agent 软件可以借鉴一下，harness 没有具体的实现而是定义了工程的发展方向如以前的提示词工程等。它将一切除模型外的程序都算成 harness ，这些程序可以加载工具，程序，约定约束，提示词，获取信息等功能。

根据dsh的定义agent=LLM+Harness，我理解Harness就是控制LLM的准确度的，包括SKILL、MCP、Memory、Context这些能力，理论上如果LLM能力越来越强Harness这块可以越来越少。

有个公式：Agent=AI+Harness。

AI是大脑，Harness是一切为了让AI更好的工作的东西，包括以前的提示词工程、上下文工程、tool、MCP、skill等等

模型之外都是 Harness，包括提示词和软件工程，还有环境

harness是马具的意思，可以理解为过去是人力拉车，需要将关注点放在如何更高效拉车上面；现在是有了一匹可以自己拉车走的马，就需要讲关注点变为如何养马，如何配置好用、合适的马具，让马更高效拉车。

换句话说就是以前是人自己写代码，需要关注算法实现、代码风格、测试用例设计等等方面，但现在有了可以自己写代码的Agent，关注点就变成了如何设计提示词、开发流程，配置哪些工具、skills，来提高Agent写代码的效率。

我的理解是，harness 顾名思义，本质上就是在 agent 上进行约束

我现在开发的时候都是写好 harness prompt，直接挂后台，告诉他如何 write 和 check 就完事了

Agent = LLM + [上下文 + 工具 + 约束 + 验证 + 纠正] = Model + Harness

佬友能否分享一下提高 Agent 写代码效率的经验？或者有些什么好的 Harness 推荐？谢谢

Harness Engineering：让 AI 在一个受控环境里持续干活。不只是提供信息，还要提供工作流程。这个流程里会有规则、有边界、有验证、有工具、有交接，也有反馈。继续了解，佬想了解可以阅读 OpenAI 原文：Harness engineering: leveraging Codex in an agent-first world

我的理解是给大模型的一套工程环境吧，包含上下文管理，工具系统等等组件，目的是让大模型可持续性的做对任务。

我觉得有下面这个公式

Agent= Model + Harness

整个叙述都是围绕LLM based Agent 展开的

所以概念变来变去 想要提升大模型智能体的能力

就这两个角度可以做

PS:如有思考不妥还请佬友批评指正

LLM，本质就是一进一出。控制"进"什么的工具系统，就是harness

首先标题是不是应该改成“请问如何理解Harness Engineering ?”，不然很像是一个教学帖。

其实也不用焦虑，不做这个方向的研究，也不必把概念的边界辨析得那么绝对。你的工具链只要没问题，管它是什么范式呢。如你所说，再晚点儿可能也不需要学了。

有耐心的话可以看下这个帖子，我觉得有收获，借用下@worldsHello佬的帖子

最近还在继续折腾之前发过的这个学习工具：

本来只是想做个学习 Agent，结果越写越不对劲。
一开始是图谱、聊天、工具调用，后面慢慢又塞进了文件、Shell、Sandbox、Skill、Memory、子应用、联网、Artifact……
做到后面突然发现：
我这好像已经不是在单纯写 Agent 了，而是在一点点搓 Harness。 ^-^
刚好最近 Harness …

我的理解是怎么驾驭当前的llm，告诉llm应该怎么做，下一步是什么，应该调用哪些工具，不应该调用哪些工具，什么时候可以停止回答了，如果做错了该怎么办…