AI Agent 频繁"失忆"，问题真的出在模型不够聪明吗？

如果你用过各种 AI Agent（无论是写代码、做项目还是自动化工具），你大概率遇到过这些问题：

• 跑了一会儿就"忘了自己在干嘛"
• 写了一堆代码，但没法运行
• 明明没完成，却说"已经完成"
• 每次重启，都像从零开始

这些问题看起来像是"模型不够聪明"，但 Anthropic 给出了一个更现实的结论：

问题不在模型，而在你怎么让它工作。

今天要讲的内容，不是模型能力，而是一个很工程化的东西： Harness（执行框架 / 工作流外壳）

一、长任务的本质问题：AI 没有"连续性"

我们先把问题说清楚。

大模型其实是"单轮高手"，但不是"长期执行者"。

它的问题不是不会做，而是：

• 没有持续状态
• 没有稳定记忆
• 没有任务结构

换句话说：

它不是一个工程师，更像一个"每次上岗都失忆的实习生"。

为什么长任务会崩？

因为现实中的"长任务"本质是：

• 多步骤
• 有依赖关系
• 需要中间状态
• 需要验证和回滚

而大模型默认是：

• 一次性输出
• 无状态
• 无检查点

这两个世界是冲突的。

二、Agent 为什么总是失败？

Anthropic 总结的几个失败模式，其实非常真实：

1. 一口气做完（然后失败）

Agent 很喜欢：

"我直接帮你把整个系统写完"

结果是：

• context 爆炸
• 中间逻辑混乱
• 留下一堆半成品

这不是能力问题，是策略错误。

2. 提前宣布完成

很多 Agent 的"完成"其实是：

• 页面能打开了
• 有点输出了

但：

• 功能没跑通
• 测试没覆盖

本质问题是：

没有定义"什么叫完成"

3. 状态越来越脏

没有结构化记录的情况下：

• 改了哪些文件？
• 哪些功能完成了？
• 哪些是半成品？

下一轮 Agent 完全不知道。

于是：

时间都花在"重新理解过去"

4. 测试是假的

Agent 会：

• 写点测试代码
• 跑一两个 case
• 然后说 OK

但现实是：

没有 end-to-end，就没有真实完成

三、Anthropic 的解法：给 AI 一个"工作系统"

他们没有试图让模型更聪明，而是做了一件更重要的事：

给 AI 套一个工程工作流（Harness）

你可以把它理解成：

👉 AI 不是自由发挥 👉 而是在一个"操作系统"里工作

四、Harness 的核心结构（非常关键）

整个系统被拆成两个角色：

1、Initializer（初始化阶段）

只运行一次，负责：

• 创建项目结构
• 生成任务清单
• 初始化 git
• 写启动脚本

它做的事情，本质是：

把"模糊需求"变成"可执行结构"

2、Coding Agent（执行阶段）

循环运行，每次只做一件事：

• 读 todo 列表
• 挑一个任务
• 写代码 + 测试
• 更新状态

关键设计：每一步都有明确的输入输出

五、Harness 的五个核心机制

六、一个关键洞察

很多人以为 Agent 失败是因为：

"GPT-4 还不够强，等 GPT-5 就好了"

但 Anthropic 的实践说明：

模型能力早就够了，缺的是"工程纪律"

就像给一个聪明但散漫的实习生：

• 没有 checklist → 他东一榔头西一棒槌
• 没有 code review → 他写完就扔
• 没有测试要求 → 他说"应该能跑"

Harness 不是让 AI 更聪明，而是让它"有章可循"。

七、对开发者的启示

如果你在做 Agent 相关的产品或项目，可以问自己几个问题：

1. 你的 Agent 有"记忆"吗？ 还是每次重启都从零开始？
2. 任务有明确的完成标准吗？ 还是靠模型自己判断？
3. 中间状态能保存和恢复吗？ 还是一崩就全丢？
4. 有强制验证机制吗？ 还是模型说"完成了"就算完成？

这些问题和"用哪个模型"关系不大，但和"能不能稳定跑完一个长任务"关系很大。

最后

AI Agent 的瓶颈，正在从"模型能力"转向"工程架构"。

这可能是一个好消息：

• 不需要等 GPT-5
• 不需要更大的算力
• 现在就能用现有模型，做出更稳定的系统

关键是你愿不愿意承认：问题可能不在 AI，而在怎么让 AI 工作。

你怎么看？

你遇到过 Agent "失忆"的问题吗？觉得是模型不够强，还是框架设计的问题？