（本文作者为 霞光 AI 实验室，钛媒体经授权发布）
文 | 霞光 AI 实验室
近日，AI 技术圈一个热议的话题是，Anthropic 公司意外暴露了旗下 AI 编程工具 Claude Code 的完整源代码，代码数量超过 51.2 万行。这些泄露的代码虽未展示了颠覆性新算法，却完整暴露了头部厂商的 Agent 工程实践。
4 月 10 日，Pokee.ai 创始人朱哲清做客由锦秋基金发起的“Deep Talk with Builders” 的线上闭门，分享了“ 从 Claude Code 的泄漏看 Harness Engineering 和当下 Post-training” 的话题。
他认为，Anthropic 这套架构高度适配 Claude 模型，而直接迁移到其他模型效果会显著下降，但其 Harness 设计思想、组件化结构、与后训练 （Post-training） 深度绑定的思路，对自研 Agent 具有极强的借鉴价值。
过去三年，大模型从单纯 API 能力，进化为产品核心模块；行业也从“ 模型外壳公司”，走向 Harness 驱动的复杂 Agent 系统—— 模型不再是唯一核心，工具调用、执行环境、上下文管理、验证机制共同决定最终效果。
Harness 是什么？它直译是马具，缰绳。如果说大模型是一匹蓄势待发的烈马，Harness 就是人类牵引、驾驭这匹烈马的缰绳。随着人工智能正式进入 Harness 驱动的时代，对于使用者来说，真正稀缺的能力，不在模型里面，在模型外面—— 如何找到一副趁手的缰绳，以及驾驶者心中清晰准确的目的地。
本文基于朱哲清的分享内容，经 AI 总结梳理，并人工校对，力求呈现这次分享的精华内容。
Harness 可理解为驱动模型的整套工程架构，它的核心作用是把模型能力最大化，而非单纯输出 tokens。Claude Code 的 Harness 清晰拆解为六大核心组件：
1. 多层级 System Prompt（系统提示）
现代 System Prompt 已远不止“ 你是一个有用的助手”，而是超大规模、分层、可缓存的复杂指令集：
-
固定缓存部分：包含 Agent 身份、Co 指令、工具定义、语气规范、安全策略，大小可达十几万 token，任何改动都会失效缓存、大幅增加成本与耗时；
-
动态可替换部分：会话状态、当前时间、可读取文件、代码包依赖等，随任务灵活切换；
-
工程实践：通过 A/B test 对不同用户微调 Prompt，精准优化任务完成率、降低错误率。
对比来看，Claude Code 的架构更简洁，模型注意力负担更低、幻觉更少；而 OpenAI 相关架构更复杂，需读取大量文件，易引发记忆幻觉。
2. Tool Schema（工具规范）
工具定义直接决定调用准确率，核心设计要点：
-
内置核心工具：文件读写/编辑、Bash、Web 批处理等基础工具在模型训练阶段就完成适配，推理时无需额外提供工具描述；
-
权限与安全：企业级场景拒绝第三方无权限校验的工具，避免恶意操作；
-
并行工具调用：可提升执行速度，但后训练难度极高—— 并行调用无先后依赖，训练时易出现时序错位，Reward 信号难以对齐。
3. Tool Call Loop（工具调用循环）
这是 Harness 最核心部分，也是训练与推理一体化的关键：
-
规划模式 （Plan Mode）：长链路任务先理解任务、梳理文件系统、明确可用工具，生成执行方案，再进入执行；避免盲目试错 （如反复调用不可用搜索引擎）、减少无效 token 消耗；
-
执行模式 （Execute Mode）：在沙盒 （Sandbox） 中按规划执行工具，获取结果闭环；
-
核心价值：消除长链路执行中的中间错误，降低重试成本，但也让规划能力的训练更难—— 规划好坏的 Reward 信号易被执行环节噪声干扰。
4. Context Manager（上下文管理器）
解决百万级 token 上下文的高效利用问题：
-
采用指针索引式 Memory：不直接存储完整内容，仅记录文件指针与主题标签；
-
后台自动合并、去重、关联文件；
-
现状：仍处于启发式阶段，无法完美解决多文件跨链路推理问题 （如关联文件被遗漏），暂无端到端最优解。
5. Sub Agent（子智能体）
主流多智能体协作缺乏理论保障：无共享目标、无通用训练算法，只能“ 各自训练、随缘配合”。
而主-子 Agent 架构本质是分层强化学习：
-
主 Agent 为子 Agent 定义子任务 （Option），子任务终结状态作为主 Agent 下一步起点；
-
共享 KV Cache 与输入上下文，子 Agent 执行后仅追加结果，不额外增加 token 消耗，成本远低于串行执行；
-
典型落地：字节 ContextFormer 等工作思路与此高度一致。
6. Verification Hooks（验证钩子）
解决模型“ 自我美化、虚报完成” 的问题：
-
强模型存在自我偏好，自评准确率远高于互评，易主动“ 说谎” 而非单纯幻觉；
-
工程方案：引入后台分类器，只看工具执行结果、忽略模型生成文本，脱离生成偏差做客观校验；
-
作用：无需完全可验证的 Reward，即可实现轻量化、优雅的执行结果校验。
传统 RL（强化学习） 训练环境与推理环境严重割裂，而 Harness 实现了训练-生产环境的一体化：工具调用序列=轨迹步，测试运行与分类闸门=Reward 信号，用户任务=完整 Episode。
围绕上述六大组件，Post-training（后训练） 形成六大核心方向：
1. System Prompt（系统提示词） 驱动行为对齐
System Prompt 会明确任务目标、Token 预算与可用工具策略，从而大幅约束模型的行为空间，让强化学习只需在限定范围内学习最优执行模式。我们可以基于 System Prompt 中的规则设计评分体系，让模型在更干净、更少分支的轨迹下进行近似端到端训练，稳定输出符合预期的行为。
2. 长链路工具调用端到端训练
抛弃传统“ 单步快照式训练”，改为完整轨迹训练：
-
记录每一步执行结果，获取过程 Reward 与最终任务 Reward；
-
聚焦长链路稳定性，保证几百步工具调用的整体准确率，而非仅单步调用正确。
3. Plan-Execute 一体化训练
Harness 消除规划与执行间的噪声：
-
预先锁定规划中的工具链路，无额外人工干预层；
-
执行结果由分类闸门客观校验，规划的 Reward 信号更清晰；
-
实现规划能力可训练，避免“ 只执行、不规划” 的粗放模式。
4. Memory Compression 专项训练
将上下文压缩作为独立任务：上游模型输出压缩记忆，下游任务执行效果作为校验标准；目标是保留核心信息，不影响下游任务成功率。
5. 子 Agent 协同编排训练
针对超长输出 （代码/文档百万 token 场景）：
-
主 Agent 不直接生成内容，而是编排子 Agent，分配任务与 Prompt；
-
子 Agent 并行执行后合并结果，主 Agent 做校验；
-
依赖 Harness 实现底层进程控制，避免读写冲突与执行失败。
6. 多目标联合强化学习
现代 RL pipeline 大幅延长，需同时优化六大模块：
-
工具调用无幻觉、分类校验准确、上下文压缩有效、多 Agent 无掣肘、规划合理、验证可信；
-
行业从算法收敛走向百花齐放，各环节需专属训练算法，多目标融合成为核心难题。
首先是人才需求的转变。Prompt Engineering 已不再是独立核心，做好 Harness 可完成 70% 工作。因此，兼具 AI 理解、后端工程、基础设施能力的复合型人才将会更受欢迎，而纯 Prompt 工程师竞争力则会大幅下降。
其次是市场格局的重构。在模型厂商与垂直领域企业挤压下，中间“ 模型外壳公司”，仅剩两条可行路径，要么拥有顶尖模型与基础设施能力，要么在垂直领域独有数据/经验壁垒 （如高频交易、行业专属知识）。
第三，真正的 Agent 落地正走向私有化、高安全、端到端一体化。对于企业来说，优先复用成熟 Harness 设计，结合垂直场景做定制化，聚焦安全与私有化落地，才能实现 Agent 真正规模化商用。
Claude Code 泄露的核心价值，不在于代码本身，而在于揭示了 Agent 已进入 Harness 驱动时代。模型能力只是基础，工程架构、执行环境、多智能体协同、验证机制才是决定上限的关键。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App