文章深入探讨了AI agent的工程化结构介绍了Harness和Loop在其中的作用。Harness负责为AI agent提供可靠的运行环境包括上下文、工具、权限、测试等确保单次执行的安全与高效。而Loop则关注AI任务的持续改进通过自动化任务发现、执行、评估和反馈形成闭环让AI agent越用越智能。文章强调AI工程需要结合Harness和Loop才能真正发挥AI agent的潜力实现稳定、高效的智能应用。▍先说一个容易踩的坑现在讨论 Harness很容易聊岔。有人会想到那家做软件交付平台的 Harness 公司有人会想到安全带有人会想到测试框架。本文讲的是第三种附近的东西AI agent 的运行外壳也就是模型之外那套让它知道该看什么、能用什么、错了怎么停下来的工程结构。如果把大模型看成一个会干活但有点迷糊的新同事Harness 就是工位、权限、任务单、测试、日志和旁边那个会拦一下的人。没有 Harness 的 AI 工程常见画面很熟你把需求丢给模型它热火朝天地改了十几个文件最后测试没跑、规范没看、数据库迁移也顺手动了。你问它为什么它还能写一段特别有礼貌的解释。Loop Engineering 解决的是另一层麻烦。团队不可能永远靠一个人坐在屏幕前给 agent 打字、看结果、再打字。Loop 关心的是任务从哪里来谁分派怎么并行谁检查失败案例怎样变成下一次的规则。一句话先放在这里Harness 管“这一次别翻车”Loop 管“下一次别还在同一个地方翻车”。Harness 管单次执行Loop 管持续改进▍Harness给 agent 搭一个靠谱的施工现场Martin Fowler 网站 2026 年 4 月 2 日发布的文章把 harness 放在 coding agent 的语境里讲得很实在要减少人类监督就得提高我们对结果的信心。信心从哪里来模型说“我已经完成了”不算数真正有用的是可检查的反馈、上下文边界和自动化约束。这听起来像老工程师的废话但它特别有用。因为 AI 编程工具越强事故越容易伪装成效率。以前一个初级工程师要花半天才能改坏的东西现在 agent 五分钟就能改坏还顺便写好提交说明。Harness 的价值是把“我相信它”改成“系统已经替我检查过一轮”。它通常包括几类东西项目上下文、代码检索、工具调用、权限控制、测试命令、静态检查、人工审批、日志记录。LangChain 在 2026 年 6 月 3 日的文章里也用了一个很直接的说法agent model harness。模型会思考harness 负责把它接到真实世界。举个更土的例子。你让 agent 修改支付逻辑。好的 harness 会先把相关代码、接口约束、失败案例和测试命令交给它会限制它不能碰生产密钥会要求涉及扣款的改动必须人工确认会把每次工具调用和测试结果记下来。这时 agent 还是可能犯错。可它不再是在空地上乱跑。它被放进了一个施工现场有围挡有安全帽有验收单。▍Loop不要再亲手喂每一口提示词Loop Engineering 更像工作方式的变化。Addy Osmani 在 2026 年 6 月 7 日写过一篇文章开头说得很直loop engineering 是把你自己从“提示 agent 的那个人”换下来改成设计一个系统让系统去提示 agent。以前我们和 coding agent 的关系像打乒乓球。你打一拍它回一拍。你说“改这个 bug”它改你说“跑测试”它跑你说“再看一下边界条件”它再看。效率确实比纯手写高但人还被粘在流程里。Loop 想做的事是把这张乒乓球桌改成一条小型流水线任务自动发现agent 领取执行后自检失败进入队列规则更新下一轮继续。人仍然在只是从“每一步都按按钮”的人变成“设计循环、看仪表盘、处理例外”的人。Loop 的关键不在于让 agent 永远跑它真正要解决的是让系统记得发生过什么。这也是很多团队卡住的地方。它们买了强模型装了漂亮的 IDE 插件甚至给每个项目都写了提示词模板。可失败案例没有沉淀评测集没有更新工具权限没人复盘。下一次agent 还是像第一次来公司一样礼貌、勤奋、没记性。▍两者到底差在哪可以用一个很简单的判断方法。你问的是“这个 agent 怎么完成一次任务”多半在谈 Harness。你问的是“这些任务怎样自动流转并且越跑越好”多半在谈 Loop。Harness 更靠近运行时。它关心上下文、工具、检查、权限、可观察性。一个好的 harness 会让 agent 在单次任务中少猜一点多验证一点别一兴奋就越界。Loop 更靠近组织流程。它关心任务来源、调度、并行、评测、记忆、复盘和下一次策略。一个好的 loop 会让团队不必靠某个高手每天手工喂提示词也能稳定地把 AI 放进工程节奏里。两者的关系也不复杂。Loop 通常跑在 Harness 之上。没有 Harness 的 Loop 很危险因为你只是让一个不受控的 agent 自动跑得更久。没有 Loop 的 Harness 也有点可惜因为每一次执行都可能不错但经验没有变成系统能力。▍别急着上大循环先回答四个问题问题偏 Harness偏 Loop失败在哪里发生单次任务跑偏、误改文件、测试没过同类失败反复出现没人沉淀谁在控制节奏人给 agent 一个任务等它交付系统自动发现、分派、检查任务核心资产是什么上下文、工具、权限、日志、评测任务队列、记忆、反馈数据、复盘机制最怕什么agent 越权或胡乱提交自动化把错误放大成批量事故这张表的意思很直白很多团队以为自己缺一个更聪明的模型其实先缺的是一套更像样的执行环境也有一些团队已经把单次执行管得不错下一步才轮到 Loop。▍OpenAI 的 Harness 实验为什么值得看OpenAI 的 Harness Engineering 文章里有一个很有意思的信号Codex 这类 coding agent 的表现不只取决于模型本身也取决于你把它放进怎样的 benchmark harness 里。换句话说评测环境、任务描述、工具反馈和执行约束都会影响最后结果。这件事对普通团队也有启发。很多人评估 AI 编程工具方式仍然很随意丢一个需求看它写得像不像。可真正决定能不能进生产的常常是更无聊的部分它能不能稳定跑测试能不能读懂项目里的旧约束能不能在不确定时停下来问能不能把失败记录下来AI 工程会越来越像测试工程、平台工程和流程设计的混合体。模型负责能力上限Harness 和 Loop 决定能力能不能落地。▍一个团队今天可以怎么做不用先写一套宏大的 AI 平台。真的不用。先挑一个低风险但高频的工程任务比如修 lint、补单测、更新依赖、处理小型 bug、生成迁移说明。然后按下面这个顺序做。第一把项目约束写进仓库别只写在某个人脑子里。例如代码风格、测试命令、禁止修改的目录、提交前检查、常见坑。第二给 agent 一个最小 harness。让它每次必须读取任务说明、相关文件、测试命令和验收标准危险动作需要人工确认所有执行结果要留下日志。第三每周做一次失败复盘。别只骂模型。把失败拆成三类上下文没给够、工具没接好、评测没覆盖。能写进 harness 的就写进去。第四再考虑 loop。当单次任务已经比较稳再让系统自动发现任务、派发给 agent、跑验收、把结果放进待审队列。这里有个小判断如果你还不敢让 agent 自动提交 PR就别急着让它通宵跑任务。先把安全带装好再谈自动驾驶。假如你从2026年开始学大模型按这个步骤走准能稳步进阶。接下来告诉你一条最快的邪修路线3个月即可成为模型大师薪资直接起飞。阶段1:大模型基础阶段2:RAG应用开发工程阶段3:大模型Agent应用架构阶段4:大模型微调与私有化部署配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】