L0 · 地基：什么是 Harness，为什么需要它

本层目标：在写任何代码、记任何术语之前，先建立一个能撑起整门课的心智模型—— 模型是大脑，harness 是身体、神经系统和记忆。 学完这一层，你看任何 agent 产品，都能立刻问出那个最关键的问题："它在替这个模型补哪个先天缺陷？"

0. 先讲一个画面

想象你雇了一位记忆力惊人、读过几乎所有书的天才顾问。你把他单独关在一间没有窗户、没有门、没有电话、没有纸笔的白房间里。你从门缝塞一张纸条进去问问题，他在纸条背面写答案再塞回来。然后——他立刻失忆，忘记刚才发生的一切。

这位顾问，就是"裸模型"（raw LLM，raw=未加任何外壳的、LLM=Large Language Model 大语言模型，也就是 ChatGPT、Claude 这类模型最原始、没套任何工具的样子）。他很聪明，但：

他不知道现在几点、外面发生了什么；
他不能查资料、不能动手做任何事，只能"说"；
他记不住你们上一张纸条聊了什么；
他一次只能读下这么多字，纸条太长他就看不全；
他偶尔会一本正经地编一个听起来很对、其实不存在的答案。

而 Harness（外壳/脚手架），就是你给这间白房间装上的门、电话、纸笔、记事本和秘书。 它没有让顾问变聪明——顾问还是那个顾问——但它让这个聪明的大脑第一次能真正干活。

这门课，从头到尾就在干一件事：一件一件地，给这间白房间装设备。 每装一件，你都会清楚地看到"原来模型缺的是这个"。

1. 模型缺了什么：裸模型的五个先天缺陷

把"裸模型"想成一个纯函数（pure function，数学意义上的函数：同样的输入永远给同样的输出，自己不留任何痕迹、不记得被调用过）：你给它一段文字（输入），它返回一段文字（输出）。就这么简单——也就这么有限。它的全部能力边界，由五个先天缺陷划定。整门课的 L1–L8，本质上就是逐个修补这五个缺陷。 先记住它们，后面每一层你都能对号入座。

#	缺陷	具体表现	后面哪层来补
1	无状态（健忘）	每次调用都是全新的它，不记得上一句	L1 把历史塞进输入 / L4 上下文 / L5 记忆
2	不能行动（只会说）	不能上网、不能读文件、不能运行代码，只能输出文字	L2 工具调用
3	不能持续（一锤子买卖）	说完一句就停，不会"做完一步再看情况做下一步"	L3 Agent Loop
4	容量有限（装不下）	一次能读进的字数有上限（上下文窗口），多了就溢出	L4 上下文工程
5	会幻觉 / 不可靠	会自信地编造；步骤一多就跑偏、犯错累积	L7 可靠性与验证

关键认知：这五个缺陷不是 bug，是模型这种东西的本质。 再强的模型也改不掉"它本身只是一个文字进、文字出的无状态函数"。 所有让 AI"看起来会做事"的魔法，都不在模型里，而在模型外面那层 harness 里。 这句话是整门课的题眼。

把缺陷讲透：逐个看

① 无状态。 这是最反直觉的一点。你在 ChatGPT 里跟它聊了十轮，感觉它"记得"前面——那是假象。真相是：每一轮，程序都把前面所有对话重新打包，连同你的新问题，整段重新喂给模型。模型本身什么都没记住，是外面的程序每次都把"病历本"重新递给它看。这个"每次重新递病历本"的动作，就是最原始的 harness 行为（L1 会拆开看）。

② 不能行动。 模型输出的永远只是文字。它写出 rm file.txt 这串字符，文件不会被删——除非外面有个程序读到这串字符，替它真的去执行。模型能"想做事"，但"做"这个动作永远发生在 harness 里，不在模型里（L2 的核心）。

③ 不能持续。 一次调用 = 一次"思考"。模型说完就停。真实任务（"帮我修好这个 bug"）需要：看代码→改一处→跑测试→看报错→再改……这种"做一步、看结果、决定下一步"的循环，模型自己不会做，得 harness 用一个 while 循环把它一轮轮喂回去（L3 的核心）。

④ 容量有限。 模型一次能"读进眼里"的字数有硬上限，叫上下文窗口（context window，可以理解成模型的"视野宽度"或"工作台大小"，一次只能摊开这么多内容）。这里的字数其实是按 token（模型眼里的最小文字单位，约等于半个汉字或 0.75 个英文单词）来算的，L1 会细讲。超了，要么报错，要么悄悄丢掉一部分。于是出现一个贯穿全课的核心矛盾：给它的信息越多，它越懂你想干嘛；但塞得越满，越贵、越慢、还越容易"读着读着忘了中间"。 怎么在有限窗口里塞最该塞的东西，是一门手艺（L4）。

⑤ 会幻觉、不可靠。 模型是"概率最像答案的下一个词"机器，不是"事实核查"机器。它不知道自己不知道，会非常自信地编。单次还好，一旦让它自主连做几十步，每步的小错会累积放大，越跑越偏。所以"自主"不是免费的，得用工程手段（验证、复查）给它套缰绳（L7）。

2. 这层怎么补：Harness 的定义

Harness（在 LLM 语境下）= 包裹在模型外面的那整套"脚手架"软件，它把一个"只会输出文字的无状态函数"，变成一个"能记忆、能行动、能持续、能自主完成任务"的 agent。

注意三个要点：

Harness 不改模型。 它在模型外面。同一个模型，配一套烂 harness 是玩具，配一套好 harness 就是 Claude Code。这就是为什么"harness engineering"是一门独立学科——模型是别人训练的，能力天花板很大程度上由你的 harness 决定。
Harness 是普通软件。 它是循环、是 if/else、是读写文件、是调 API。里面没有魔法，全是确定性的工程。这对你是好消息：它可被理解、可被设计、可被调试。
"Agent"（智能体）= 模型 + Harness。 当别人说"我做了个 agent",他真正做的工作,绝大部分是 harness。模型是买来的（调 API——Application Programming Interface 应用程序接口，简单说就是"通过网络付费调用别人家模型服务"的入口，你不用自己训练模型），agent 的灵魂在外壳。

一张图：大脑 vs 身体

        ┌─────────────────────────────────────────────┐
        │                  AGENT                       │
        │                                              │
        │   ┌───────────┐         ┌──────────────────┐ │
        │   │   模型     │  ◀───▶ │     HARNESS       │ │
        │   │  (大脑)    │  文字   │   (身体/神经/记忆) │ │
        │   │           │  来回   │                  │ │
        │   │ 聪明但：   │         │  • 循环(持续)     │ │
        │   │ 健忘       │         │  • 工具(行动)     │ │
        │   │ 不能动     │         │  • 上下文(装载)   │ │
        │   │ 装不下     │         │  • 记忆(跨会话)   │ │
        │   │ 会编       │         │  • 验证(靠谱)     │ │
        │   └───────────┘         └────────┬─────────┘ │
        │                                  │           │
        └──────────────────────────────────┼───────────┘
                                           ▼
                          真实世界（文件、终端、网络、你）

大脑很贵很聪明，但被锁在颅骨里，唯一的 I/O 是"文字进、文字出"。Harness 是它的眼、耳、手、海马体和前额叶——把它接到真实世界上，并在它要犯傻时拉住它。

3. 底层原理：为什么"加外壳"这条路走得通

你可能会问：与其费劲做外壳，为什么不直接把这些能力训练进模型？这是理解整门课为什么存在的关键。

职责分离。 模型负责它唯一擅长的事：根据上文，生成最合理的下一段文字。把"记忆管理、工具执行、流程控制"也压给模型，等于让大脑兼职当手脚——又贵又不可靠。让确定性的事交给确定性的代码（harness），让模糊判断的事交给模型,这是整个领域最核心的工程哲学。
可迭代、可替换。 Harness 是你的代码，你今天改循环、明天加工具、后天换个更强的模型——外壳不动，大脑随便换。如果能力焊死在模型里，你什么都改不了。
可控、可审计。 工具要不要批准、上下文里放什么、错了怎么回退——这些都得是你能看见、能改、能审计的确定性逻辑。安全和信任，只能建在 harness 这层，不能寄望于模型"自觉"。

一句话原理：模型提供"判断力"，harness 提供"确定性"。一个好 agent，是把这两者在正确的边界上拼起来。 这门课教的，就是这些边界画在哪、怎么拼。

4. Claude Code 锚点：你每天用的就是一个 harness

抽象的东西，挂个你摸得到的实物就具体了。你正在用的 Claude Code，本身就是一个教科书级的 harness。 把上面五个缺陷对照它：

模型缺陷	Claude Code 这个 harness 怎么补的（后面对应层会细讲）
健忘	每轮把对话历史重新打包喂回；长了自动压缩；还有 `CLAUDE.md`、memory 文件做长期记忆
不能行动	给模型挂了 `Bash`、`Read`、`Edit`、`WebSearch` 等工具，模型"申请"、Claude Code 替它执行
不能持续	一个 agent loop：模型调工具→Claude Code 执行→把结果喂回→模型再决定，直到任务完成
装不下	上下文工程：自动压缩、按需读文件（而非全塞进去）、把长信息放文件里当外部记忆
会跑偏	危险操作要你批准；Superpowers 还加了"先写计划再执行""完成前先验证""代码复查"等缰绳

下次你用 Claude Code，试着用"harness 视角"看它：你按下回车后，那个转圈圈里发生的一切——读文件、跑命令、把结果接回去再想——没有一步是模型自己干的，全是外面这层 harness 在编排。你学的这门课，就是这层编排的设计原理。

5. 小练习 / 思考题

用这几道题检验你是否真的"换上了 harness 视角"。（答案在文末折叠）

判断对错：你和 ChatGPT 连聊十轮，说明模型把前九轮"记住"了。
你让 Claude Code "把这个文件里的 foo 改成 bar"。请把这件事拆成"哪些是模型干的、哪些是 harness 干的"。
有人说："新模型上下文窗口到 100 万 token 了，以后 L4 上下文工程是不是就没用了？" 用本层的"核心矛盾"反驳他。
为什么说"做一个 agent，绝大部分工作量在 harness，而不在模型"？
自检：现在请你不看表格，默写裸模型的五个先天缺陷，并各配一句话说明后面哪层来补。能默出来，这一层就过了。

错。模型没记住任何东西。是外面的程序每轮把前九轮历史重新打包、整段重喂给它——"记忆"在 harness，不在模型。
模型干的：读到指令后，决定"要调用 Edit 工具，参数是把 foo 换成 bar"——它只是输出了这个意图（文字）。Harness 干的：真的去打开文件、执行替换、保存、再把"改好了"的结果文字喂回给模型。模型自始至终没碰过文件。
窗口变大只是把"装不下"的红线往后挪，但核心矛盾不变：塞得越满越贵、越慢、还越容易"读着读着忘了中间"（中间遗忘 / context rot）。所以"该往窗口里放什么、不放什么"永远是手艺，窗口再大也省不掉。
因为模型是买来的（调 API 就有），所有让它"会做事"的能力——行动、持续、记忆、靠谱——都得在模型外面用代码搭出来。Agent 的差异化几乎全在 harness。
（对照第 1 节表格自检：无状态/不能行动/不能持续/容量有限/会幻觉。）

一句话带走

模型是大脑，harness 是身体、记忆和缰绳。这门课接下来要做的，就是一件一件地，给这个被锁在白房间里的天才装上设备——而你会发现，所谓"AI 会做事"的全部魔法，都不在大脑里，在外面这层你能亲手设计的脚手架里。

下一层 L1，我们打开第一件设备：拆解"一次模型调用"到底长什么样——system / user / assistant、messages、token、上下文窗口。这是所有 harness 的最底层协议。

🧠 地基：什么是 Harness