共计 1711 个字符，预计需要花费 5 分钟才能阅读完成。
当 AI 开始管理 AI, 甚至用 AI 来编写 AI 代码时 , 一场效率革命正在悄然发生。近期, 一个名为“Harness”的概念在 AI 业界迅速升温, 从 Anthropic、OpenAI 的技术博客到社交媒体, 人人都在谈论它。这背后, 是 AI 智能体工作流的一次重要演进。
📌 Harness 是什么? 从实际案例说起
要理解 Harness, 不妨先看一个真实案例 。Anthropic 的 Claude Code 产品负责人鲍里斯·切尔尼曾详细描述其团队如何利用 AI 管理 AI。他们在开发过程中, 会同时运行多个 Claude Code 副本, 并让这些 AI 智能体分工协作:
从已披露信息看, 这一变化更值得关注的, 不只是表面动作本身, 还包括其对后续行业节奏、用户预期和市场竞争的连锁影响。
- 第一批副本负责编写代码 ;
- 第二批副本担任代码评审员 , 检查边界条件、风格一致性等;
- 第三批副本审核评审工作 , 确保符合文档要求。
所有工作流程、常见错误、代码风格等都被总结写入一个总管的 Markdown 文件, 作为 AI 自动写码的指导 。在这种“用 AI 管 AI 写 AI”的模式下, 切尔尼个人每天能发出 10-30 个代码合并请求, 效率大幅提升。这也帮助 Anthropic 实现了几乎隔日一次重大更新的发布频率。
🔍 本质: 高效率与高成本并存的多智能体架构
Harness 的本质, 是一个统筹多个 AI 子智能体与模块动作功能的整体流程 。它借鉴了电气工程中的“线束”概念——正如线束统筹线路与信号走向,Harness 统筹的是子智能体的协作与任务分配。
这种架构的核心优势在于效率。Anthropic 在 2025 年 6 月就尝试了多智能体 Harness 架构 , 以 Claude Opus 4 为上层智能体底座、Sonnet 4 为子智能体底座, 性能比单一 Opus 4 模型强出 90.2%。
但高效率往往伴随高成本。 根据 Anthropic 2026 年 3 月的示例, 让 AI 编写一个 2D 复古小游戏:
- 单一模型 : 运行 20 分钟, 成本 9 美元, 成品不可用;
- Harness 架构 : 运行 6 小时, 成本 200 美元, 成品可用。
多智能体架构的 token 消耗速度通常是普通聊天机器人的 15 倍以上, 但任务完成效率也成正比提升 。这要求更强的模型驱动, 正如“有多快马跑多快车”。
💡 精髓: 用 AI 重新实现软件工程原则
有趣的是,Harness 的火热在部分从业者看来“反而很不 AI 风”。如开源项目 SGLang 衍生的 RadixArk AI 公司员工赵晨阳所言,Harness 的关键点是用 AI 重新实现了传统软件工程原则:
- 文档即代码 : 将工作准则保存在智能体的 Markdown 文件, 而非每次对话重复提示;
- 关注点分离与单一职责 : 将任务拆分成专门版块, 让子智能体各司其职;
- 左移约束 : 结构化子智能体的权责, 避免上层智能体自行猜测。
Anthropic 研究员尼古拉斯·卡利尼的实验也体现了这一思路。 他使用约 2 万美元 API 额度、并发约两千次 Claude Code 会话、并行 16 个子智能体, 用时两周生成 10 万行 Rust 代码, 最终构建出可运行的 C 编译器。他的精力不在写提示词, 而在设计子智能体架构的基础环境——测试、运行、反馈等机制, 让多智能体无人工干预自行运转。
📊 行业观察:AI 调用层级的演进趋势
回顾 ChatGPT 问世后的三年,AI 调用层级明显提升:
- 第一年 : 聚焦如何写出更好的提示词, 在聊天窗口调用大模型;
- 第二年 :AI 学会自动调用不同大模型和 API,Manus 和 AI 智能体兴起;
- 第三年 :AI 能自动调用本地文件与云端子智能体,OpenClaw 和 Harness 架构火热。
时代趋势是 AI 的调用层级越来越高, 完成的任务越来越复杂 。Harness 正是这一趋势下的产物, 它让 AI 从被动响应走向主动协作, 从单一任务扩展到复杂工作流。
🚀 值得关注的几个重点
对于开发者和企业而言,Harness 架构带来几个值得思考的方向:
Harness 的火热, 标志着 AI 应用正从“工具使用”阶段迈向“系统自治”阶段 。它不仅是技术架构的升级, 更是工作模式的变革——当 AI 能够管理 AI, 人机协作的边界再次被拓宽。未来, 如何设计更高效、更经济的 Harness 架构, 将成为 AI 工程化的重要课题。
