AI Agent 市场正以 46.3% 的年复合增长率扩张，预计从 2024 年的 52.5 亿美元增长至 2030 年的 526.2 亿美元。79% 的企业已采用 AI Agent，其中 19% 已全面部署。
但大多数讨论集中在模型能力上——GPT-4 比 Claude 3 强多少，哪家 API 更便宜。而真正决定 Agent 能否在生产环境可靠运行的，是另一个被忽视的层次：Harness。
TL;DR： Harness 是包裹在 AI Agent 外层的控制系统，是智能体的「操作系统」和「项目经理」。它不给 Agent 提供思考能力，而是通过上下文管理、状态持久化、错误处理确保 Agent 稳定、可靠、长期地运行。
三层架构：理解 AI 工程的全景
当前行业已形成清晰的三层架构共识：
Framework（框架层） 解决「怎么写」——如何构建 Agent。代表产品 LangChain、LlamaIndex、OpenAI Agents SDK。核心价值是提供抽象能力，降低上手难度。
Runtime（运行时层） 解决「怎么跑」——如何在生产环境可靠执行。代表产品 LangGraph、Temporal。核心能力包括持久化执行（Agent 崩溃后可从断点恢复）、状态管理（跨会话保持上下文）、人机协作（支持人工审批介入）。
Harness（工具集层） 解决「怎么用」——如何快速部署和使用。代表产品 DeepAgents、Claude Agent SDK。核心价值是预设工具和提示词，开箱即用，生产就绪。
| 维度 | Framework | Runtime | Harness |
|---|---|---|---|
| 抽象程度 | 中 | 低 | 高 |
| 易用性 | 中 | 低 | 高 |
| 生产就绪 | 中 | 高 | 高 |
| 灵活性 | 高 | 中 | 低 |
三层不是替代关系，而是叠加关系。Framework 提供构建能力，Runtime 提供运行环境，Harness 提供使用体验。就像一辆车：底盘和控制系统是 Framework，引擎和传动系统是 Runtime，而导航、电子辅助、自动驾驶系统是 Harness。
Harness 解决的核心问题
长运行 Agent 面临六个核心痛点：上下文窗口限制导致信息丢失、上下文衰减导致决策准确性降低、会话结束导致所有状态消失、单点错误导致整个流程失败、多 Agent 协调困难、长时间任务成功率下降。
Harness 对症下药。
上下文管理。Agent 在 30 步之后容易偏离目标，上下文过长会「失忆」。Claude Code 的解决方案是使用文件系统存储中间状态——feature_list.json 作为功能清单，claude-progress.txt 记录进度，Git 历史作为恢复机制。
状态持久化。Agent 崩溃后需要从头开始。LangGraph 的 Checkpoint 机制让每个状态变化自动保存到 Postgres，下次启动时指定会话 ID 即可从断点恢复。
错误处理。Agent 遇到错误直接失败。Harness 优雅处理：自动重试、降级运行、异常捕获，而不是让整个流程中断。
人机协作。关键决策需要人工确认。Runtime 层提供 interrupt 机制，在需要人工审批的步骤暂停执行，收到确认后继续。
Anthropic 的标杆实现
Claude Code 中实现的 Harness 架构是当前业界标杆。它的核心设计原则是：
- 增量式进展：将大任务拆解为小任务，每个 Sub-Agent 只处理一个子任务
- 共享上下文：所有 Sub-Agent 从共享的 Context Bank 读取状态，避免重复
- 快速轮换：每个 Sub-Agent 运行 5-10 分钟，避免「疲劳」
- 状态持久化：使用文件系统存储中间结果，崩溃可恢复
这和人类项目经理的工作方式惊人相似：拆解任务、分配工作、收集结果、检查进度。
市场现状：Framework 过剩，Harness 稀缺
当前市场呈现出明显的结构性特征：Framework 层已经过剩——LangChain、LlamaIndex、CrewAI、AutoGen 产品众多，选择困难。而 Harness 层仍然稀缺——DeepAgents 和 Claude Agent SDK 是少数可靠选项。
这造成了一个有趣的现象：开发者可以很快构建一个 Agent 原型，但在生产环境让它可靠运行，却发现无从下手。
| 采用阶段 | 比例 |
|---|---|
| 已全面部署 | 19% |
| 试点阶段 | 35% |
| 计划部署 | 42% |
| 无计划 | 4% |
42% 的企业仍在「计划部署」阶段，说明不是没有需求，而是现有的 Harness 产品还不够好用。
未来趋势
HaaS（Harness as a Service） 正在成为现实。AI 开发的核心原语正在迁移：2022 年直接调用 API → 2023 年用 LangChain 封装 → 2024 年用 LangGraph 管理状态 → 2025 年之后用 Harness API 一键部署。
多 Agent 协作是下一个主战场。72% 的企业 AI 项目已涉及多 Agent 架构。Harness 将提供 Agent 间通信协议、任务分配算法、冲突解决机制和结果聚合策略。
垂直领域 Harness 正在分化。通用 Harness 的时代会过去，取而代之的是垂直集成的专业版本——代码开发、数据分析、客户服务、法律合规，各有专门的 Harness。
一个核心洞察
Autonomy is not a model property, it’s an architectural property.
自主性不是模型属性，而是架构属性。
模型决定 Agent 能做什么，Harness 决定 Agent 能可靠地做到什么程度。模型能力已经趋于同质化，而 Harness 的质量差异，才真正区分了可用的 Agent 系统和只能 demo 的 Agent 系统。
理解这一点，是理解 2026 年 AI 工程的关键。