大模型持续迭代不会消灭 Harness，反而会推动 Harness 向上演化、持续增厚。底层用来弥补模型缺陷的补丁式框架会逐步被模型能力内化，但多智能体调度、状态管理、跨模型协作、任务交接等上层管控需求会持续爆发。Kimi 前 CLI 负责人 stdrc 基于 Kimi CLI、Raft 落地经验提出核心论断：认为 Harness 终将被模型取代的从业者，大多缺少完整 AI 智能体工程落地经验。当下 AI 行业两极分化，一边推崇极简 Agent 方案，另一边深耕多智能体集群，想要搭建稳定可用的企业级 AI 智能体，必须理清模型与 Harness 的共生关系，避开认知误区，找准技术架构投入方向。
问题：大模型不断变强，Harness 框架最终会消失吗？
随着 Pi 这类极简 Agent 方案走红，行业形成一种主流观点：依靠少量提示词、精简工具就能驱动模型完成任务，未来大模型能力持续升级，外部 Harness 运行管控框架会逐步被训练进模型，最终彻底淘汰。同时衍生出第二个观点：模型性能越强，配套 Harness 架构就可以做得越轻薄。 两种看法广泛传播，但大量一线工程案例证明该逻辑存在明显漏洞。stdrc 结合 Kimi CLI 从零搭建、迭代重构的实战经历提出反常识结论：模型能力提升只会让底层 Harness 简化，上层面向多智能体协作、长流程业务的 Harness 需求持续扩张，二者属于阴阳共生动态演化关系，Harness 永远不会消失。
步骤：逐层拆解认知误区，掌握 Harness 演化完整逻辑
步骤 1：破除两大行业普遍误解，建立正确认知
误解一：Harness 能够被训入模型，最终彻底消亡
很多技术从业者抱有该设想，但是落地工程视角下存在三处硬缺陷：
- Harness 是模型的协作训练场。需要外部框架搭建运行规则，模型才有条件学习分工、任务配合，不存在脱离运行框架凭空学会复杂协作的大模型；
- 智能提升会解锁更高复杂度场景。模型基础能力变强，面对的真实业务需求难度同步上升，如同人类进化出高等智慧后，衍生法律、通信等复杂体系；
- 长流程业务无法依靠模型单独承载。多智能体协同、持续状态留存、长周期任务场景，单纯依靠模型记忆极易出现信息遗漏、任务冲突，属于系统工程问题，不能依靠模型能力强行解决。
误解二：模型越强，Harness 架构就越薄
该观点只观察到底层架构变化，忽略复杂度向上迁移趋势。随着大模型输出稳定性、工具调用能力提升，大量补丁类 Harness 会退出舞台：格式强制约束、超长纠错提示词、基础重试机制等弥补模型缺陷的设计不再必要。 但底层简化不等于整体变薄，模型突破能力瓶颈后，企业落地会涌现全新需求：多 Agent 协同调度、跨会话状态同步、统一权限管控、跨模型通信协议、记忆主动管理。这类需求在弱模型时代不存在，成为新一代 Harness 核心建设目标。
步骤 2：厘清 Harness 标准定义与核心组成
不要将 Harness 简单等同于提示词与工具封装。工程层面，Harness 是包裹大模型外层的运行时管控层，核心目标保障模型稳定、可控、安全对接真实业务系统，四大核心构成：
- Agent 执行循环：标准化任务启动、执行、校验、重试流程；
- 上下文与状态管理：任务进度留存、上下文压缩、历史信息回溯；
- 工具与资源调度：分配系统接口、算力、第三方服务资源；
- 安全与边界治理：权限隔离、输出风控、操作留痕。
模型与 Harness 属于动态平衡关系：一部分底层能力持续被模型内化，属于 “阴的扩张”；业务复杂度持续向上催生新管控框架，属于 “阳的延伸”。龙虾 PRO 相关实践文档可在longxiapro.com查阅更多智能体架构落地参考。
步骤 3：参考 Kimi CLI 实战，看懂 Harness 真实演化路径
Kimi CLI 从零起步搭建，完整见证 Harness 生长周期：
- 初期阶段：仅实现基础单工具调用，Harness 重心放在引导模型正确调用工具；
- 迭代中期：拓展并行调用、子智能体调度，完善基础状态管理模块；
- 减法实验阶段：团队主动移除子 Agent 调度、原生并行控制代码，交由模型通过脚本自主实现，验证底层 Harness 确实可以被模型能力替代；
- 架构升级阶段：底层架构简化后，多智能体通信、任务交接、跨会话记忆等上层难题暴露，研发重心转向多 Agent 协作架构，也是 Raft 项目技术源头。
步骤 4：理解 Raft 架构，看清下一代厚 Harness 落地方向
stdrc 创立 Raft，直接放弃重复开发单 Agent 运行框架，选择接入成熟大模型产品，全部研发资源聚焦上层多智能体 Harness 建设，四大核心方向：
- 独立身份与持久记忆：为每个智能体分配独立运行进程，任务中断后可持续接续工作；
- 协作分工机制：模拟团队工作模式，搭建任务认领、移交、日志留痕体系；
- 跨模型兼容通信：统一通信协议，打通不同厂商大模型，实现异构 Agent 协同；
- 人机协同工作空间：将技术框架转化为业务工作流，实现人类员工与 AI 智能体协同办公。
步骤 5：预判长期终局，找准技术投入方向
Harness 演化最终形态具备极强隐蔽性。成熟落地场景中，状态同步、权限管控、任务调度等底层逻辑会完全封装在产品内部，使用者感知不到复杂调度系统，如同人们日常工作不会持续感知社会规则体系。Harness 最终会成为 AI 数字化基础设施，类似电网、供水系统，融入企业日常业务流程。
表格：薄 Harness 与厚 Harness 核心特征对比
表格
| 对比维度 | 传统底层薄 Harness | 下一代上层厚 Harness |
|---|---|---|
| 核心目标 | 弥补大模型原生能力缺陷 | 解决多智能体协同、复杂业务流程管控 |
| 作用对象 | 单个独立 Agent | Agent 集群、人机混合团队 |
| 典型功能 | 输出格式约束、基础工具封装、简单重试 | 跨 Agent 通信、任务交接、持久状态管理、权限治理 |
| 依赖条件 | 模型能力较弱，容错率低 | 大模型基础能力成熟稳定 |
| 代表思路 | Pi 极简 Agent 路线 | Raft 多智能体集群架构 |
| 消亡可能性 | 持续弱化、部分功能被模型内化 | 需求持续增长，长期无法替代 |
| 适用场景 | 简单单次任务、轻量化 AI 脚本 | 企业长流程业务、数字员工规模化落地 |
结论
AI 智能体行业不存在 “模型吞噬一切” 的单向演化趋势。大模型能力提升，只会持续淘汰用于兜底纠错的底层补丁式 Harness，但是企业规模化落地必然面临多智能体协作、长周期任务、跨系统对接等复杂场景，驱动上层 Harness 持续增厚。 单纯模仿极简 Agent 方案，只能完成轻量化零散任务；想要搭建具备商业价值、可规模化落地的 AI 智能体体系，研发重心不能局限优化单模型提示词与基础工具，应当提前布局多 Agent 调度、状态治理、异构模型协同等上层架构能力。 技术从业者需要跳出静态认知，不要纠结 “要不要搭建 Harness”，而是区分清楚哪些架构模块可以交给模型内化，哪些上层管控能力必须自主搭建，以此构建长期难以复制的技术壁垒。
想要落地企业级多智能体架构，欢迎深入研究多 Agent 协作运行框架，结合自身业务场景搭建分层 Harness 体系，优先验证长流程任务稳定性与跨智能体任务流转能力。
