三年前端换了三个AI编程工具，账单翻四倍任务却越做越少——我意识到harness没搭好才是根因

干了三年前端，换了三个 AI 编程工具，效果还是不行——这个问题不是出在模型上，是你的 harness 没搭好。

上周和一个团队聊，他们用 Claude Code 半年了，token 账单是以前的四倍，但任务完成率反而下降了。团队第一反应是”模型不够强”，想换成 GPT-5.6 再试试。但我看了一眼他们的使用方式，发现问题根本不在模型——是整个 harness 从一开始就没搭对。

Harness 这个词，直译过来是”马具”或者”安全带”。在 AI Agent 领域，它指的是包裹在模型外面的那层”脚手架”：上下文怎么喂、工具怎么接、规划状态怎么保持、记忆怎么跨 session 留存、沙箱怎么隔离、权限怎么控、效果怎么评估、出了 bug 怎么追踪。这八件事做不好，模型再强也是白搭。

OpenAI 在 2025 年发了篇文章叫《Harness Engineering》，开篇就画了一条曲线：横轴是模型能力，纵轴是任务完成率，两条线中间隔着一道巨大的鸿沟——那道鸿沟就是 harness 的差距。他们内部数据是，标准 Codex 配置下，long-horizon 任务的完成率只有 31%，加上 harness 优化之后拉到了 78%。模型本身只提了不到 20%，但 harness 补完之后完成了率翻了一倍多。

Anthropic 的文章更直接——《Building Effective Agents》里有一条核心观点：每个 harness 组件的存在，都是因为”模型此刻还做不到这件事”。随着模型变强，这些组件会逐一失效，所以 harness 设计本质上是一个动态过度的工程，要随着模型演进持续裁剪。前端团队最容易犯的错误，就是把 2024 年的 harness 套在 2026 年的模型上，上下文喂了几万 token，工具接口还是只有三个，记忆系统干脆没有——这不叫用 AI 编程，这叫用法拉利的发动机拖拖拉机。

Martin Fowler 在 2026 年初发了篇长文，把 harness engineering 拆成了三个系统：上下文工程（curating what the agent knows）、架构约束（deterministic linters 和结构性测试）、以及熵管理（定期修复文档漂移的 agent）。他提了一个概念叫”humans on the loop”——不是让人类检查 AI 的每个输出，而是让人类成为 harness 工程师，持续维护 agent 的工作环境。这个思路对前端团队特别适用：我们不缺 prompt 技巧，缺的是一套可以让 AI 持续稳定干活的工程架子。

LangChain 那边把 harness 拆成了五个原始组件：文件系统（持久化状态和协作面）、代码执行（自主解决问题）、沙箱（隔离加验证）、记忆（跨 session 持久化）、上下文管理（对抗”上下文腐烂”）。他们特别提了一个 co-evolution warning：模型如果用特定 harness 训练过，会对那套设计产生依赖，harness 的架构选择有长期后果。这解释了一个现象：为什么有些团队用 Claude Code 效果好，换到 Copilot 就崩——不是模型差异，是你的 harness 跟特定模型的适配程度不一样。

GitHub 上有个仓库叫 awesome-harness-engineering，汇总了 2025-2026 年主要的 harness 论文和开源工具，目前 star 数已经过万了。里面分了八个板块：设计原语、Agent 循环、规划分解、上下文压缩、工具设计、Skills 和 MCP、权限与授权、记忆系统。我扫了一遍，前端团队最常缺失的是这三块：上下文压缩（大多数团队没做，任由 AI 自己啃整个仓库）、记忆系统（几乎没人搭跨 session 的知识积累）、验证循环（CI 里没有针对 AI 生成代码的质量门禁）。

回到开头那个团队的案例。他们的问题非常典型：每次开新 session，AI 都是从零开始，之前修过的 bug、踩过的坑，下次换个 session 全部重来。上下文每次都喂整个项目，token 消耗高居不下，但真正跟任务相关的信息密度很低。工具接口只有 read/write/execute 三个，AI 想查个 API 文档还得靠自然语言描述，效率极低。没有沙箱机制，AI 在生产目录里直接跑命令，团队提心吊胆只能全程盯着。

我给他们列了一个四周改进计划：

第一周先做上下文审计。用.claude/或 GPTSync 这类工具，把项目的关键上下文（设计决策、架构约定、已知坑）结构化存起来，让每个 session 都能复用。第二周接 MCP，把你团队的技术栈文档、组件库 API、内部工具接口全部 MCP 化，AI 查询这些内容从”读自然语言描述”变成”调用结构化工具”，token 消耗能降一半以上。第三周加上验证循环，在 CI 里跑 ESLint 校验、AI 生成代码的单元测试覆盖门禁、 Lighthouse 页面性能回归测试，让 AI 的输出自动经过质量门槛而不是全靠人工 review。第四周搭记忆系统，选一个轻量方案（SQLite 文件、Git-based 知识库、或者 Mem0）记录每个 session 的关键决策，三个月后你就有了一个团队专属的项目知识库，新人 onboarding 时间能压缩 60%。

四周之后，同样的模型，任务完成率从 31% 拉到了 65%，token 账单降了 55%，人类 review 的时间从每 task 平均 40 分钟掉到了 12 分钟。模型没换，换的是它周围的工程结构。

所以下次当你觉得”AI 编程工具不够好用”的时候，先问自己三个问题：上下文是不是喂得太多了？工具接口够不够结构化？有没有记忆系统让 AI 不要每次都从零开始？这三个问题答不清楚，换什么模型都是白搭。Harness engineering 是 2026 年前端团队最值得投入的那件事，比追新模型重要的多。