读翁荔谈Harness的万字长文，我想了三个问题

本文来自微信公众号： 曼谈AI ，作者：曼谈AI，原文标题：《读翁荔谈 Harness的万字长文，我想了三个问题》

前几天读完翁荔那篇谈 Harness 的长文，记录一下自己的思考。

她讨论的是 AI 的递归自我改进：如果 AI 未来能够不断改进自己，近期更现实的路径，可能不是模型直接重写自己的权重，而是先改进模型外面的那套 Harness。

Harness 这个词不太好翻译。有人叫它“脚手架”，有人叫它“运行系统”。在我的理解里，它就是模型之外那套让 AI 真正做成一件事的机制：怎么规划，怎么调用工具，怎么保存记忆，怎么检查结果，失败后怎么重试，哪些操作需要得到许可，以及任务做到什么程度才算完成。

原文地址：https://lilianweng.github.io/posts/2026-07-04-harness/

看完这篇文章，我脑子里连续冒出了三个问题。

01

开始强调 Harness，是不是说明模型快到顶了？

这个问题很自然。

过去几年，AI 行业最重要的叙事一直是 Scaling。更多数据、更大算力、更强模型，然后智能像水位一样继续上涨。如果现在越来越多进展来自模型外面的工作流、工具和记忆系统，会不会意味着底层模型已经碰到某种天花板，只好靠工程手段继续“挤性能”？

我想了一圈，觉得答案可能不是“模型到顶了”，而是我们过去把模型看得太独立了。

一个模型在测评中能答对多少题，和它在真实世界中能不能完成一项持续几小时、几天甚至几周的任务，是两种不同的能力。

后者要求它记住之前做过什么，知道下一步该用哪个工具，发现走错路后及时回退，还要在一大堆中间信息里保留真正重要的部分。任何一个环节失灵，最终结果都会失败。此时限制系统表现的，未必是模型不会推理，也可能是它没有拿到正确的信息，没有保存状态，或者根本不知道该如何验证自己的答案。

同一个模型，放进不同的 Harness，可能像两个完全不同的产品。我们看到的“模型能力”，越来越像模型与周围系统共同作用的结果。

但这并不意味着 Harness 可以替代模型。

翁荔文章里有一个细节让我印象很深：一些自我改进机制在强模型上能够提升表现，换成较弱模型，结果反而下降。递归结构本身不会自动产生智能。如果模型没有足够的判断力，它也可能把自己的工作方法越改越差。

所以，我现在更愿意这样理解：

不是模型的上限到了，而是“只用模型解释一切”的思路可能快到上限了。

底层智能仍然重要，只是当模型越来越强，决定它能否兑现为真实生产力的，开始变成模型与环境之间那一整套连接方式。

02

Harness 会不会慢慢沉淀进模型？

想到这里，第二个问题马上就来了。

如果某套 Harness 被证明有效，模型公司完全可以把它产生的轨迹用于训练，让模型直接学会这些方法。今天放在模型外面的规划、反思和重试，明天会不会变成模型的默认能力？

这件事其实已经发生过。

早期使用大模型时，大家研究怎么写提示词，怎么要求模型分步骤思考，怎么给出几个示例，怎么让它先检查再回答。后来，随着指令微调和推理训练进步，很多曾经需要手工编写的技巧，逐渐成了模型的基本能力。

今天被称为“上下文工程”或“Agent 工作流”的一些方法，未来也可能经历同样的过程。通用的规划套路、错误反思、信息压缩、工具选择，凡是能够重复、能够收集数据、能够跨任务泛化的部分，都有机会被训练吸收。

这意味着 Harness 与模型之间并没有一条固定边界。模型每前进一步，就会吞掉一部分原本写在外面的逻辑。

但另一面是，有些东西很难、也不应该被永久装进模型。

模型不会天然知道一家公司此刻的库存、客户状态和审批流程；不会自动拥有某个员工的权限；也不应该仅凭自己的判断决定一笔付款能否发出。不同组织对“做对了”的定义不同，同一个组织的规则也会变化。今天有效的数据，明天可能过期；这个用户允许的操作，另一个用户未必允许。

这些东西不是“知识还没训练进去”，而是它们本来就属于外部世界。它们持续变化，需要被查询、被记录、被授权，也需要有人负责。

因此，我觉得：

会被模型吸收的是 Harness 中的通用认知技巧；不会消失的，是模型与现实之间的接口。

一个粗略的判断是：凡是能够在训练前确定、并且可以跨场景复用的东西，会越来越靠近模型；凡是随着用户、组织、时间和责任关系不断变化的东西，仍然会留在模型之外。

03

那今天做 Harness 的人，会不会被模型吃掉？

这个问题比前两个更现实。

如果模型会不断吸收外部技巧，那么今天辛苦搭出来的 Agent 工作流，会不会在下一次模型升级后突然失去价值？

我认为，这种风险不仅存在，而且已经反复发生。依赖复杂提示词才能完成的功能，可能被新模型一句普通指令替代；为了弥补模型不会调用工具而写的编排，可能随着原生工具能力出现而变得多余；一套精心设计的重试逻辑，也可能被模型更稳定的推理直接消解。

如果一个产品的全部价值只是“我比用户更会哄当前模型干活”，那它确实很危险。

但想清楚第二个问题后，我觉得还可以换一种分法。

有一类 Harness，是在替模型补今天的课。模型不会规划，就替它规划；不会记忆，就替它拼接历史；不会检查，就再调用一次模型进行反思。它的价值来自当前模型的缺点，模型越强，它存在的理由越少。

另一类工作，是把模型接入一个真实、变化而且需要负责的世界。它知道数据从哪里来，什么人可以执行什么操作，结果如何验收，失败后通知谁，哪些步骤必须留下记录。模型越强，它反而可以把更多过去无法自动完成的工作接进来。

两者表面上都在做 Harness，但价值来源完全不同。

现在我会用一个很简单的问题检查一个 AI 产品：

如果明天模型能力提高十倍，我正在做的东西会变得更没用，还是能因此完成更多事情？

这当然不是万能公式，但它能逼着我分清楚：我们拥有的究竟是模型暂时不会做的技巧，还是一个真实问题的上下文、入口和结果反馈。

前一种价值可能只存在于模型升级之间的窗口期。后一种价值不会因为模型变强而消失，反而可能被放大。

04

也许，我们该担心的不是“被吃掉”

写到这里，我最初的三个疑问有了一个暂时的答案。

模型没有到顶，但只盯着模型参数，已经不足以解释 AI 系统的进步。Harness 的一部分会被模型吸收，特别是那些通用、重复、能够被训练的技巧。做 Harness 的人也确实可能被模型吃掉——如果所做的一切，只是在弥补模型今天还不够好的地方。

但 Harness 本身不会因此消失。它可能代码更少，形式更轻，却要管理更多真实状态、更大操作权限和更明确的责任。

模型会越来越会做事，但它无法独自决定什么值得做，什么算做对，以及出了问题应该由谁负责。这些问题不是模型能力再提高一点就会自然消失的。

翁荔在文章最后说，人类应该往更高的抽象层移动，而不是被移出循环。我现在更能理解这句话了。

所谓“往上移动”，也许不是从此只负责给 AI 下命令，而是去定义目标、边界和评价；不是亲手完成每一步，而是确保整个系统做的是正确的事，并且有人对结果负责。

所以，真正值得担心的，可能不是模型会不会吃掉 Harness。

而是我们做的东西，是否只在模型还不够好的时候才有价值。