当所有人都在讨论"模型会不会吃掉一切"时，真正做过工程的人看到的却是另一幅图景。
01 一个正在撕裂 AI 圈的核心分歧
2026 年的 AI 编程圈，正在经历一场路线之争。
一边是「极简 Agent 派」。以 Pi 为代表，Prompt 不到 1000 Token，只给 4 个基础工具，主张"不折腾"，让模型自己发挥。
另一边是「多智能体协作派」。Agent Swarm、Multi-Agent 框架层出不穷，系统越做越复杂，调度层、通信层、状态管理层一层叠一层。
两条路线看似水火不容，却指向同一个灵魂拷问：
底层的 Harness，到底会不会消失？
很多人看到 Pi 的爆火，得出结论：大模型越来越强，外部的 Harness 迟早会被"训进模型"，彻底消失。
但 Raft 创始人 RC（@stdrc）提出了一个反常识的判断：
模型越强，Harness 反而越厚。
只是"厚"的方向变了：以前厚在底层，用 Prompt 和工具帮模型补能力；以后厚在上层，因为模型变强后要干更复杂的脏活累活，需要 Harness 来解决多智能体协作与管控。
复杂没有消失，只是从"能力层"转移到了"协作层"。
02 两个被行业广泛误解的命题
要看清 Harness 的演化逻辑，必须先破除两个根深蒂固的误解。
误解一：“Harness 终将被训进模型，彻底消失”
这是最流行的观点，也是最危险的。
“说 Harness 会被训到模型里的人，肯定是没做过 Harness 的。”
RC 从一线工程视角拆了三层逻辑：
第一，Harness 是模型的训练场，不是模型的替代品。
不是模型变强了淘汰 Harness，而是 Harness 先把路铺好了，模型才知道怎么学。就像人类社会，先有了分工制度，大家才学会协作。没有这个外部框架，模型根本没地方去练协作能力。
第二，智能越高，需要的工具越复杂。
人类大脑进化了，没退化成原始人，反而搞出了法律和互联网。模型能力在变强，解锁的真实世界场景也越来越复杂。底层能力被内化了，上层又会生长出更复杂的、需要 Harness 来管的新场景。
第三，单任务可以靠模型，复杂业务根本不现实。
面对长流程、多智能体、随时要看状态的真实业务时，纯靠大模型的"脑子"去记，必会出现遗漏、搞错、甚至"打架"的情况。这不是模型聪不聪明的问题，而是系统工程问题本就不该让单个模型去硬扛。
误解二：“模型越强，Harness 就会越薄”
这个观点流传更广，因为它部分符合当下的直观感受：底层 Prompt 确实在变短，很多工具封装也在简化。
RC 的评价是：“情有可原，但缺乏想象力。”
它的问题在于，只看到了底层 Harness 的减法，没看到上层 Harness 的加法。
不可否认，随着模型基础能力提升，大量「补丁式 Harness」会逐步退场：
- 为了防止模型格式输出报错做的强制约束
- 为了教模型用工具写的长篇大论的 Prompt
- 各种死板的报错重试机制
这些为了弥补模型缺陷而存在的底层设计，确实会越来越薄，甚至完全消失。
但这不是 Harness 的消亡，是复杂度的向上迁移。
当模型不需要人类程序员"辅佐"时，它需要的是一套全新的法则：
- 怎么让多个 Agent 互相打配合？
- 跨会话的状态怎么同步？
- 怎么做主动的记忆管理？
- 动态权限和不同系统的对接标准怎么定？
这些需求在弱模型时代根本不会出现，自然也不会被纳入大家对 Harness 的认知里。
03 Harness 到底是什么？一个工程视角的完整定义
纠正误解之后，我们需要回到核心问题：如何定义真正的 Harness？
大众常把 Harness 窄化为「System Prompt + 工具调用封装」。但从完整的工程定义来看，Harness 是包裹在模型外层的运行时工程管控层，核心解决的是：
模型如何稳定、持续、可控地与真实世界交互。
它由四个核心要素构成：
| 核心要素 | 作用 |
|---|---|
| Agent 执行循环 | 控制模型何时思考、何时行动、何时终止 |
| 上下文与状态管理 | 维护跨轮次、跨会话的记忆与状态 |
| 工具与资源调度 | 管理工具注册、调用、并行、权限 |
| 安全与边界治理 | 控制模型行为的边界，防止越权或失控 |
Harness 的范围一直在变大：
- 早期：模型弱，Harness 只管拼装简单提示词
- 中期：模型变强，Harness 演化出多工具并行、子智能体调度
- 现在：模型极强，Harness 开始搞智能体集群、跨系统状态同步、多 Agent 任务交接
04 “阴与阳”：Harness 演化的底层规律
RC 将模型与 Harness 的关系比作"阴与阳"：这是一种此消彼长、共同进化的动态关系。
阴的扩张：局部功能的内化
当模型基础能力增强，一部分底层 Harness 会被模型取代。
在 Kimi CLI 的实践中，RC 曾计划：
- 移除专用的 subagent 调度机制，改为由模型直接通过 bash 终端实现子任务拆分
- 移除原生的并行工具调用，改为由模型生成工具调用脚本来实现并行
这是模型能力向外扩张的必然结果，也是外界感知到"Harness 变薄"的真实原因。
阳的延伸：上层需求的生长
模型能力每上一个台阶，就会解锁更复杂的业务场景，从而催生出更上层的 Harness 需求：
- 单任务能力成熟 → 催生多智能体协作需求
- 单会话能力成熟 → 催生跨会话记忆与主动上下文回溯需求
在这场阴阳博弈中，智能水平越高，它与现实世界的摩擦力就越大。
这个过程没有终点。如同人类大脑比猿类更发达，于是人类发明了语言、文字、计算机、互联网等更复杂的交互系统。
Harness 就是 Agent 智能的「交互基础设施」，只会随智能升级而持续向外延伸。
05 从 Kimi CLI 到 Raft：一次完整的工程验证
RC 的这套"复杂度迁移"理论并非纸上谈兵，而是基于 Kimi CLI 从 0 到 1 的完整工程实践。
第一阶段：从零生长
早期的 Kimi CLI 没有参考任何开源框架，完全从零搭建：
- 基础的单工具调用
- 并行调用
- 子智能体
- 状态管理
第二阶段：做减法
到了迭代后期，团队做了一次大胆的"减法实验"：
- 把专门搞 subagent 调度的代码全砍了
- 原生的并行控制也不要了
- 全放手让模型自己用脚本去搞
结果发现：只要模型能力到了临界点，底层的 Harness 确实可以丢弃。
第三阶段：做加法
底层代码刚删完，更头疼的问题出现了：
Harness 的边界不能只停留在单个 Agent 内部。多个智能体之间怎么通信？怎么交接任务？怎么搞定通信协议和分工？
于是团队开始往上层加码：
- 提出多智能体 Harness 的架构概念
- 搭建 Agent 任务交接、通信协议、分工机制
- 研究跨会话通信、主动上下文压缩、上下文回溯等状态管理技术
这些探索最终演化成了 Raft 的技术底座。回头来看，这个方向上的预判与后来 Claude 推出跨会话对话、整个行业集体转向多智能体的趋势高度一致：不是跟风，而是工程实践走到那一步，自然看到的风景。
正是这种"从零生长"的经历，让他们对 Harness 复杂度的迁移有了体感。不是从论文里读出来的，而是一行一行代码删了又写、写了又删的过程中磨出来的认知。所以他们不会被某个静态阶段的流行观点困住。
06 Raft：下一代"厚 Harness"的四个维度
如果说 Kimi CLI 是一次演化实验，那 Raft 则是对"上层厚 Harness"架构的直接实践。
RC 做了一个大胆的决定：直接去掉自己曾经搭建的单 Agent 运行时。Raft 既不写 Agent 循环，也不封装基础工具，它直接把市面上成熟的 Claude Code、DeepSeek 等产品作为"团队成员"接入。
逻辑很简单：底层的单 Agent 能力已经足够成熟，模型已经能内化这部分 Harness，再重复造轮子没有价值。
Harness 的下一个战场，不在单个 Agent 内部，而在多个 Agent 之间。
Raft 的"厚 Harness"体现在四个核心维度：
维度一：给 AI 发身份证和记忆力
模型只管单次回答，但 Raft 负责让每个 Agent 都有独立的进程、记忆和工作习惯。任务中途断了，换个时间还能无缝接上。
维度二：立规矩和分工
模型自己是不会主动搞团队协作的。Raft 把人类上班那一套搬了过来：
- 用类似工作群的"频道"来隔离聊天
- 支持任务认领、认降和交接
- 所有步骤都留痕，方便人类随时查账
维度三：打破厂商壁垒
Raft 搞了一套跨厂商的通信协议，让 Claude、DeepSeek 可以在同一个工作区里用统一的标准对话。
这事单靠某一家模型公司是绝对不会去做的。
维度四：打造人类和 AI 一起上班的工作区
到这里，Harness 已经不是一段代码，而是变成了团队的工作流和权责体系。
连定价都挺有意思：每个 Agent 只算 0.1 个人类席位，支持跨团队共享。
07 终局：当 Harness 隐形时，它才真正胜利
RC 对 Harness 的终局提了一个很有意思的观点：
“当一切都是 Harness 的时候，它就隐形了。”
从用户体验的角度看，Raft 已经做到了 Harness 的"无感化"。用户面对的不是一套复杂的 Agent 调度后台，而是一个把 AI 纳入团队的办公协作工具。所有的状态同步、权限控制、任务交接，都被收敛到了产品直觉层面。
这很像人类社会的发展轨迹：我们不会每天提醒自己"法律和公司制度是社会的 Harness"，但它们构成了文明运转的底座。AI 员工普及之后，多智能体 Harness 也将以同样的方式隐形：它不会消失，只是变成了像电网、网络一样的基础设施，你日用而不知。
08 给开发者的判断
回到最开始那个问题：“到底是模型吞噬一切，还是 Harness 持续生长？”
或许这个问题本身就低估了技术演进的维度。
真正值得思考的是：
如何在更高维度的上层协作与复杂业务场景中，做出别人拿不走的新壁垒？
单体模型终有上限，上限以外的无限天地，都属于 Harness。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～