文 | 霞光AI實(shí)驗(yàn)室

近日，AI技術(shù)圈一個(gè)熱議的話題是，Anthropic公司意外暴露了旗下AI編程工具Claude Code的完整源代碼，代碼數(shù)量超過51.2萬行。這些泄露的代碼雖未展示了顛覆性新算法，卻完整暴露了頭部廠商的Agent工程實(shí)踐。

4月10日，Pokee.ai創(chuàng)始人朱哲清做客由錦秋基金發(fā)起的“Deep Talk with Builders”的線上閉門，分享了“從Claude Code的泄漏看Harness Engineering和當(dāng)下Post-training”的話題。

他認(rèn)為，Anthropic這套架構(gòu)高度適配Claude模型，而直接遷移到其他模型效果會(huì)顯著下降，但其Harness設(shè)計(jì)思想、組件化結(jié)構(gòu)、與后訓(xùn)練（Post-training）深度綁定的思路，對(duì)自研Agent具有極強(qiáng)的借鑒價(jià)值。

過去三年，大模型從單純API能力，進(jìn)化為產(chǎn)品核心模塊；行業(yè)也從“模型外殼公司”，走向Harness驅(qū)動(dòng)的復(fù)雜Agent系統(tǒng)——模型不再是唯一核心，工具調(diào)用、執(zhí)行環(huán)境、上下文管理、驗(yàn)證機(jī)制共同決定最終效果。

Harness是什么？它直譯是馬具，韁繩。如果說大模型是一匹蓄勢(shì)待發(fā)的烈馬，Harness就是人類牽引、駕馭這匹烈馬的韁繩。隨著人工智能正式進(jìn)入Harness驅(qū)動(dòng)的時(shí)代，對(duì)于使用者來說，真正稀缺的能力，不在模型里面，在模型外面——如何找到一副趁手的韁繩，以及駕駛者心中清晰準(zhǔn)確的目的地。

本文基于朱哲清的分享內(nèi)容，經(jīng)AI總結(jié)梳理，并人工校對(duì)，力求呈現(xiàn)這次分享的精華內(nèi)容。

Harness可理解為驅(qū)動(dòng)模型的整套工程架構(gòu)，它的核心作用是把模型能力最大化，而非單純輸出tokens。Claude Code的Harness清晰拆解為六大核心組件：

1. 多層級(jí)System Prompt（系統(tǒng)提示）

現(xiàn)代System Prompt已遠(yuǎn)不止“你是一個(gè)有用的助手”，而是超大規(guī)模、分層、可緩存的復(fù)雜指令集：

• 固定緩存部分：包含Agent身份、Co指令、工具定義、語(yǔ)氣規(guī)范、安全策略，大小可達(dá)十幾萬token，任何改動(dòng)都會(huì)失效緩存、大幅增加成本與耗時(shí)；

• 動(dòng)態(tài)可替換部分：會(huì)話狀態(tài)、當(dāng)前時(shí)間、可讀取文件、代碼包依賴等，隨任務(wù)靈活切換；

• 工程實(shí)踐：通過A/B test對(duì)不同用戶微調(diào)Prompt，精準(zhǔn)優(yōu)化任務(wù)完成率、降低錯(cuò)誤率。

對(duì)比來看，Claude Code的架構(gòu)更簡(jiǎn)潔，模型注意力負(fù)擔(dān)更低、幻覺更少；而OpenAI相關(guān)架構(gòu)更復(fù)雜，需讀取大量文件，易引發(fā)記憶幻覺。

2. Tool Schema（工具規(guī)范）

工具定義直接決定調(diào)用準(zhǔn)確率，核心設(shè)計(jì)要點(diǎn)：

• 內(nèi)置核心工具：文件讀寫/編輯、Bash、Web批處理等基礎(chǔ)工具在模型訓(xùn)練階段就完成適配，推理時(shí)無需額外提供工具描述；

• 權(quán)限與安全：企業(yè)級(jí)場(chǎng)景拒絕第三方無權(quán)限校驗(yàn)的工具，避免惡意操作；

• 并行工具調(diào)用：可提升執(zhí)行速度，但后訓(xùn)練難度極高——并行調(diào)用無先后依賴，訓(xùn)練時(shí)易出現(xiàn)時(shí)序錯(cuò)位，Reward信號(hào)難以對(duì)齊。

3. Tool Call Loop（工具調(diào)用循環(huán)）

這是Harness最核心部分，也是訓(xùn)練與推理一體化的關(guān)鍵：

• 規(guī)劃模式（Plan Mode）：長(zhǎng)鏈路任務(wù)先理解任務(wù)、梳理文件系統(tǒng)、明確可用工具，生成執(zhí)行方案，再進(jìn)入執(zhí)行；避免盲目試錯(cuò)（如反復(fù)調(diào)用不可用搜索引擎）、減少無效token消耗；

• 執(zhí)行模式（Execute Mode）：在沙盒（Sandbox）中按規(guī)劃執(zhí)行工具，獲取結(jié)果閉環(huán)；

• 核心價(jià)值：消除長(zhǎng)鏈路執(zhí)行中的中間錯(cuò)誤，降低重試成本，但也讓規(guī)劃能力的訓(xùn)練更難——規(guī)劃好壞的Reward信號(hào)易被執(zhí)行環(huán)節(jié)噪聲干擾。

4. Context Manager（上下文管理器）

解決百萬級(jí)token上下文的高效利用問題：

• 采用指針?biāo)饕組emory：不直接存儲(chǔ)完整內(nèi)容，僅記錄文件指針與主題標(biāo)簽；

• 后臺(tái)自動(dòng)合并、去重、關(guān)聯(lián)文件；

• 現(xiàn)狀：仍處于啟發(fā)式階段，無法完美解決多文件跨鏈路推理問題（如關(guān)聯(lián)文件被遺漏），暫無端到端最優(yōu)解。

5. Sub Agent（子智能體）

主流多智能體協(xié)作缺乏理論保障：無共享目標(biāo)、無通用訓(xùn)練算法，只能“各自訓(xùn)練、隨緣配合”。

而主-子Agent架構(gòu)本質(zhì)是分層強(qiáng)化學(xué)習(xí)：

• 主Agent為子Agent定義子任務(wù)（Option），子任務(wù)終結(jié)狀態(tài)作為主Agent下一步起點(diǎn)；

• 共享KV Cache與輸入上下文，子Agent執(zhí)行后僅追加結(jié)果，不額外增加token消耗，成本遠(yuǎn)低于串行執(zhí)行；

• 典型落地：字節(jié)ContextFormer等工作思路與此高度一致。

6. Verification Hooks（驗(yàn)證鉤子）

解決模型“自我美化、虛報(bào)完成”的問題：

• 強(qiáng)模型存在自我偏好，自評(píng)準(zhǔn)確率遠(yuǎn)高于互評(píng)，易主動(dòng)“說謊”而非單純幻覺；

• 工程方案：引入后臺(tái)分類器，只看工具執(zhí)行結(jié)果、忽略模型生成文本，脫離生成偏差做客觀校驗(yàn)；

• 作用：無需完全可驗(yàn)證的Reward，即可實(shí)現(xiàn)輕量化、優(yōu)雅的執(zhí)行結(jié)果校驗(yàn)。

傳統(tǒng)RL（強(qiáng)化學(xué)習(xí)）訓(xùn)練環(huán)境與推理環(huán)境嚴(yán)重割裂，而Harness實(shí)現(xiàn)了訓(xùn)練-生產(chǎn)環(huán)境的一體化：工具調(diào)用序列=軌跡步，測(cè)試運(yùn)行與分類閘門=Reward信號(hào)，用戶任務(wù)=完整Episode。

圍繞上述六大組件，Post-training（后訓(xùn)練）形成六大核心方向：

1. System Prompt（系統(tǒng)提示詞）驅(qū)動(dòng)行為對(duì)齊

System Prompt 會(huì)明確任務(wù)目標(biāo)、Token 預(yù)算與可用工具策略，從而大幅約束模型的行為空間，讓強(qiáng)化學(xué)習(xí)只需在限定范圍內(nèi)學(xué)習(xí)最優(yōu)執(zhí)行模式。我們可以基于 System Prompt 中的規(guī)則設(shè)計(jì)評(píng)分體系，讓模型在更干凈、更少分支的軌跡下進(jìn)行近似端到端訓(xùn)練，穩(wěn)定輸出符合預(yù)期的行為。

2. 長(zhǎng)鏈路工具調(diào)用端到端訓(xùn)練

拋棄傳統(tǒng)“單步快照式訓(xùn)練”，改為完整軌跡訓(xùn)練：

• 記錄每一步執(zhí)行結(jié)果，獲取過程Reward與最終任務(wù)Reward；

• 聚焦長(zhǎng)鏈路穩(wěn)定性，保證幾百步工具調(diào)用的整體準(zhǔn)確率，而非僅單步調(diào)用正確。

3. Plan-Execute一體化訓(xùn)練

Harness消除規(guī)劃與執(zhí)行間的噪聲：

• 預(yù)先鎖定規(guī)劃中的工具鏈路，無額外人工干預(yù)層；

• 執(zhí)行結(jié)果由分類閘門客觀校驗(yàn)，規(guī)劃的Reward信號(hào)更清晰；

• 實(shí)現(xiàn)規(guī)劃能力可訓(xùn)練，避免“只執(zhí)行、不規(guī)劃”的粗放模式。

4. Memory Compression專項(xiàng)訓(xùn)練

將上下文壓縮作為獨(dú)立任務(wù)：上游模型輸出壓縮記憶，下游任務(wù)執(zhí)行效果作為校驗(yàn)標(biāo)準(zhǔn)；目標(biāo)是保留核心信息，不影響下游任務(wù)成功率。

5. 子Agent協(xié)同編排訓(xùn)練

針對(duì)超長(zhǎng)輸出（代碼/文檔百萬token場(chǎng)景）：

• 主Agent不直接生成內(nèi)容，而是編排子Agent，分配任務(wù)與Prompt；

• 子Agent并行執(zhí)行后合并結(jié)果，主Agent做校驗(yàn)；

• 依賴Harness實(shí)現(xiàn)底層進(jìn)程控制，避免讀寫沖突與執(zhí)行失敗。

6. 多目標(biāo)聯(lián)合強(qiáng)化學(xué)習(xí)

現(xiàn)代RL pipeline大幅延長(zhǎng)，需同時(shí)優(yōu)化六大模塊：

• 工具調(diào)用無幻覺、分類校驗(yàn)準(zhǔn)確、上下文壓縮有效、多Agent無掣肘、規(guī)劃合理、驗(yàn)證可信；

• 行業(yè)從算法收斂走向百花齊放，各環(huán)節(jié)需專屬訓(xùn)練算法，多目標(biāo)融合成為核心難題。

首先是人才需求的轉(zhuǎn)變。Prompt Engineering已不再是獨(dú)立核心，做好Harness可完成70%工作。因此，兼具AI理解、后端工程、基礎(chǔ)設(shè)施能力的復(fù)合型人才將會(huì)更受歡迎，而純Prompt工程師競(jìng)爭(zhēng)力則會(huì)大幅下降。

其次是市場(chǎng)格局的重構(gòu)。在模型廠商與垂直領(lǐng)域企業(yè)擠壓下，中間“模型外殼公司”，僅剩兩條可行路徑，要么擁有頂尖模型與基礎(chǔ)設(shè)施能力，要么在垂直領(lǐng)域獨(dú)有數(shù)據(jù)/經(jīng)驗(yàn)壁壘（如高頻交易、行業(yè)專屬知識(shí)）。

第三，真正的Agent落地正走向私有化、高安全、端到端一體化。對(duì)于企業(yè)來說，優(yōu)先復(fù)用成熟Harness設(shè)計(jì)，結(jié)合垂直場(chǎng)景做定制化，聚焦安全與私有化落地，才能實(shí)現(xiàn)Agent真正規(guī)?；逃谩?/p>

Claude Code泄露的核心價(jià)值，不在于代碼本身，而在于揭示了Agent已進(jìn)入Harness驅(qū)動(dòng)時(shí)代。模型能力只是基礎(chǔ)，工程架構(gòu)、執(zhí)行環(huán)境、多智能體協(xié)同、驗(yàn)證機(jī)制才是決定上限的關(guān)鍵。