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：
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）
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：
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"。
因为现实中的"长任务"本质是：
而大模型默认是：
这两个世界是冲突的。
Anthropic 总结的几个失败模式，其实非常真实：
Agent 很喜欢：
"我直接帮你把整个系统写完"
结果是：
这不是能力问题，是策略错误。
很多 Agent 的"完成"其实是：
但：
本质问题是：没有定义"什么叫完成"
没有结构化记录的情况下：
下一轮 Agent 完全不知道。于是：
时间都花在"重新理解过去"
Agent 会：
但现实是：没有 end-to-end，就没有真实完成
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：
整个系统被拆成两个角色：
只运行一次，负责：
它做的事情，本质是：
把"模糊需求"变成"可执行结构"
核心原则：一次只做一件事
具体怎么执行？
基于依赖关系，挑"能做的事"
这里有几个不可违背的规则：
| 规则 | 作用 |
|---|---|
| 单任务上限 | 防止 context 爆炸，强制拆解 |
| 测试即门禁 | 没通过测试 = 没完成，无法进入下一步 |
| 强制 commit | 每个任务结束必须提交，形成检查点 |
| 状态外置 | 任务清单、执行日志都在文件系统，Agent 每次读取 |
这套机制的本质是：
用工程约束，弥补模型的不可靠性
1. 不要追求"端到端智能"
模型做决策 + 执行 + 验证，太容易出错。拆开来，每个环节简单可控。
2. 测试是契约，不是装饰
Harness 里的测试失败会阻断流程，这让"完成"有了客观标准。
3. Git 是状态机，不是备份
每个 commit 是一个检查点，Agent 可以"回到过去"，也可以"继续未来"。
4. 任务清单是外置记忆
模型不用记住全部，只需要读当前任务。这解决了"失忆"问题。
如果你在设计 AI 工程系统，可以问自己：
"如果模型这一步完全搞砸了，我能多快知道？能回滚吗？"
Harness 的设计让答案是：立即知道，随时可以回滚。
Anthropic 的 Harness 给我们的最大启示：
AI 工程化的核心不是让模型更强，而是让模型在更强的结构里工作。
强制增量、测试门禁、状态外置--这些看起来"不智能"的约束，恰恰是构建可靠 AI 系统的关键。
未来的 AI 工程师，可能不是最会写 prompt 的人，而是最会设计"工作流外壳"的人。
你怎么看？你的 Agent 项目遇到过这些"失忆"问题吗？有没有试过类似的约束框架？
加入讨论
这个”一次只做一件事”的设计太反直觉了，但细想确实——我之前用 Claude 写脚本，它老喜欢一口气生成 200 行然后让我自己 debug，结果每次改到一半就忘了前面改了啥。有 git 状态做 checkpoint 感觉会好很多，不过好奇如果测试本身写错了怎么办？回滚到上一个能跑的版本吗？
git 回滚这个设计太关键了！我之前用 AI 写项目，最怕的就是它改完代码说”好了”结果跑不起来，然后手动回退找半天。有自动回滚至少不会越改越乱 😂
Initializer 这个角色设计得好妙啊，以前用 AI 做项目最头疼的就是开头——它要么想太多要么漏太多，有个专门”搭架子”的阶段确实省心多了。不过好奇这个任务清单是 AI 自己拆的还是人要干预？
“每次上岗都失忆的实习生”这个比喻笑死我了，但真的精准。不过我在想，这种框架会不会让AI变得太”保守”了？有时候我就是想要它大胆重构，而不是永远小步迭代 🤔
看到”测试必须过，否则回滚”这里突然想到，那要是测试本身写得有问题呢？AI 写的测试覆盖不到边界情况，然后全绿通过，结果上线还是崩 😅 感觉这框架还得配个”测试审查员”角色才行
突然意识到这个框架其实有点像敏捷开发里的 sprint，只不过 AI 成了那个被 scrum 管着的程序员 😂 好奇如果需求中途变了，Initializer 会重新跑一遍还是直接 patch？感觉现实项目里”改需求”才是常态啊
这个”失忆实习生”的比喻让我突然想到，Harness 是不是有点像给 AI 配了个项目经理？Initializer 定 OKR，Coding Agent 每天站会汇报进度，测试不过就 block 不能合并 😂 不过说真的，这种”强约束”设计对复杂项目确实比纯 prompt 工程靠谱多了，至少不会半夜醒来发现 AI 把数据库删了还说”已完成”。
终于有人把”AI 写代码为啥总翻车”讲清楚了！Initializer 那个”搭架子”的设计让我想到——这不就是给 AI 配了个脚手架嘛，以前让它直接盖楼，现在先打地基。不过有个小问题：如果需求本身很模糊，Initializer 会不会也翻车啊？🤔
有点好奇这个 Harness 能不能适配到非代码场景？比如让 AI 帮我写小说大纲，Initializer 拆章节，Coding Agent 一段一段写，写完自检人物设定有没有崩……感觉这套方法论挺通用的？