论文：手写Agent harness这门手艺结束了

一篇论文的名字就够让所有 Agent 框架坐立不安：《The End of Harness Engineering》。核心论点一句话：围绕模型手写程序这件事，作为一门手艺已经结束了。 论文的论证链条很直白。人手写的 harness，本质是对某一个任务在某一个下午的一次猜测。它上线之后能跑几个月，没人读、没人打分。而让循环自己写的 harness，是一个会给自己打分的文件。流程是一个小的 4B 模型读失败记录，提出 8 处修改，只有在保留问题集上得分最高的那一处活下来。大模型全程冻结，每一轮只是围绕它重写那个文件。 我更在意人的角色被压缩到哪。整个流程里，人只剩一件产出物：打分集，也就是 harness 被拿去评分的那批问题。框架变成一次性的，考试变成了工作本身。论文那句总结我认：先写考试，再写代码。这跟传统工程顺序是反的，以前先有实现再补测试，现在考题先行，实现只是让考题得分的手段。 这套东西不是凭空来的。同方向已经有 Self-Harness、Agentic Harness Engineering 这些工作，都在讲 harness 自我进化。这篇的狠处是把人的位置压得更彻底，从写规则的人变成出考题的人。方向上跟 GitHub Spec Kit 那类先规格后代码的思路是同一股劲，只是它走得更远，连规格都让循环去迭代。 我得说清楚保留的地方。4B 小模型改 harness、按分数选优，听着干净，可打分集一旦有偏，整个循环就在往错误方向优化，而且越优化越偏。考试决定一切的前提是考试本身可信。人从写代码退到出考题，看着轻松了，实际责任更重了，因为考题错了没人拦。