全文約 4448 字

預計閱讀 12 分鐘

Context engineering、harness engineering、environment engineering……AI 圈，概念的更新速度多少有些「通詞膨脹」了。

回憶一下這令人眩暈的加速度吧：

2022 年底 ChatGPT 發布至 2024 年，我們研究的都還是 prompt engineering，四處探尋那句能「點石成金」的咒語，通過優化每次的指令來獲得更好的模型輸出。

2025 年 6 月，Shopify CEO Tobi Lütke 提出 context engineering，并得到 Andrej Karpathy 的贊同，為模型提供任務所需的恰到好處的上下文信息，開始成為新的焦點。

五個月后，Anthropic 在報告《Effective harnesses for long-running agents》中帶來了 harness 的概念，通過上下文管理、工具調用、進程管理等方法提升 agent 的運行時間和成功率。八個月后，今年 2 月，HashiCorp 聯合創始人 Mitchell Hashimoto 提出了 harness engineering 的概念，OpenAI 和 Anthropic 都緊接著發布了各自在 harness 方面的研究進展和實驗報告，harness engineering 成為了 agent 圈的新共識。

當本土開發者還在熱切地討論 harness engineering 時，沒出一個月，硅谷已經傳來一種截然不同的聲音——「Harness 將死，未來屬于 environment engineering。」

Weilun Chen 指出，底層大模型正在以 API 的形式瘋狂吞噬掉開發者熬夜寫出的編排邏輯；同時，以 Anthropic MCP 和 Claude Code 為代表的實踐證明：只要把系統的「環境接口」重寫成對 Agent 友好的結構化形態，模型根本不需要復雜的 harness 就能展現出驚人的能力。

這些不斷被制造出來的新詞匯和新概念，核心是在探討一個更根本的問題：在這個 AI Native 時代，一家新興公司的價值應該如何構建？能做的事有很多，關鍵的是該做什么？所謂「該做」，就是有長期價值、能形成壁壘，甚至具有未來價值擴展性的事。

雖然這些概念的快速變化搞得人很煩，但嘗試理解和構建一種未來的「世界觀」確實是有意義的。「世界觀」決定了寶貴的資源——創始人的時間、團隊的精力、投資人的資本——會被投向何方。

所以，咱們嘗試花一些時間把它梳理清楚些。

正在發生的未來，與一個危險的錯覺

對 Harness 的唱衰，并非空穴來風。

向下看，底層模型正在無情地「基建化」。

此前，開發者需要寫幾百行代碼來實現重試機制、JSON 格式約束、長文本的上下文壓縮。而今天，OpenAI 的結構化輸出、上下文緩存、原生工具調用甚至推理長度控制，直接把這些復雜的機制變成了 API 請求里的幾個參數。

那些僅僅封裝了「Prompt 鏈」和「基礎執行循環」的套殼框架，確實正在被底層模型無情地降維打擊。

向上看，environment engineering 展現出了可觀的杠桿率。

Anthropic 的一個實驗證明了這一點：他們將 Claude 放在一個高度結構化的數字環境里，提供有限且被清晰定義的 API 工具。結果發現，在一個友好的環境中，agent 的表現遠超在真實終端的混亂環境中的發揮。這揭示了，很多時候，agent 表現不佳，并非「腦子」不夠好，而是「世界」太難懂。重塑環境接口（修路）的收益，看上去大于打磨駕馭工程（訓練司機）。

如果推演到此為止，得出的結論就會是：擁抱模型廠 API，放棄自研控制層，轉去做環境工程的建設。

但harness engineering 真的沒有長期價值嗎？

概率系統與確定性商業的矛盾

將 harness engineering 類比為「終將被吞掉的中間件」，對了一部分。但如果因此推導出現實的商業世界只需要「模型 API + 環境」，則是極其危險的技術線性外推。它忽略了大模型時代最根本的工程悖論：

大語言模型本質上是一個基于概率的非確定性系統，而真實的商業世界要求的卻是確定性結果。

企業需要可觀測性，需要知道某個 agent 為什么做了這個決策，它的推理軌跡能否被完整回溯審計，需要成本與路由網關，需要把握如何在幾十個模型間動態路由，保證既聰明又省錢。需要系統級容錯，當 API 不穩定或產生幻覺時，系統能夠進行確定性的干預并閉環。

這些商業世界的鐵律，注定了harness 的本質從來不是「封裝邏輯的中間件」，而是復雜系統的「控制平面」與「策略層」。

API可以吞噬「機制」，但替代不了「策略」。

API 可以包攬工具該怎么調用、記憶格式該怎么存儲、基礎推理與行動循環怎么跑。但 API 無法決定： 什么時候該觸發降級方案、如何在有限的 Token 預算下動態切分任務、多個不同能力的 Agent 發生決策沖突時該聽誰的、以及如何保證輸出結果符合特定行業的合規性。

在概率與確定性的鴻溝之間，harness 不僅是 agent 的方向盤，更是防止 AI 系統在商業環境中造成災難的「安全氣囊與剎車」。

環境工程的「烏托邦邊界」

那么，沿著 environment engineering 一路狂奔，把全世界重構成「agent 友好」的接口，是一門好生意嗎？

在代碼開發、本地文件管理等「天然數字化且高度結構化」的場景中，收益是可觀的。這也是為什么 Coding 是進展最快的原因。

然而，一旦進入傳統商業場景，環境工程就會撞上一堵名為「隱性知識與遺留系統」的嘆息之墻。

企業協作、供應鏈流轉、法律審查中的海量判斷依據，散落在非結構化的郵件、歷史長文本甚至人類專家的直覺中，它們無法被簡單地改寫成完美的 API。

想象一下，讓 AI 優化一家工廠的供應鏈。它需要理解的「環境」可能包括：一套運行了 20 年的、文檔不全的 ERP 系統；幾位老師傅基于「聽機器聲音」判斷故障的經驗；以及分散在無數 Excel 和郵件里的、充滿歧義的訂單備注。將這個混亂的現實「重構」成 AI 友好的 API 接口，其成本和難度是勸退工程師和客戶的。

同時，商業世界具有極強的慣性。大多數企業難以為了讓 agent 跑得更順暢，就輕易重構耗資千萬、運行了十年的核心業務系統。

這意味著，環境工程在商業落地上存在明顯的局限性——它是局部的、垂直的，很難形成統一的標準平臺。絕大多數時候，不是世界去適應 agent，而是 agent 必須學會在充滿噪音、混亂且非結構化的現實泥沼中生存。這會再次將聚光燈拉回到 harness engineering 系統架構能力上。

AI 產業價值階段推演

如果 harness 的價值不會清零，環境工程極具價值也有挑戰和局限，那么 AI 創業公司應該如何看待產業的演進，并找到自己的位置？價值鏈的重構可能會分三個階段上演。

第一階段：模型為王（2023-2025）

這是 AI 的「蠻荒時代」。每次模型的 SOTA 直接定義了 AI 能力的天花板。

在這個階段，價值公式極為簡單：

AI 應用能力 ≈ 模型能力

OpenAI、Anthropic 等模型廠手握最核心的生產資料，擁有最高的行業話語權。每次模型更新就會抹平一大片應用層的探索和建設。

第二階段：Harness 為王（2025-2028，大幕方啟）

我們正處在這一階段的初期。隨著基礎模型的能力趨于穩定，業界痛苦地發現：僅靠調用強大的模型API，無法直接構建出達到企業級可用標準的 Agent。任務成功率的瓶頸凸顯，成本和安全問題成為重要卡點。

此時，價值公式演變為：

AI 應用能力 = 模型能力 × Harness 效率

這個乘數效應是驚人的。一個基座模型，在粗糙的腳本驅動下，面對復雜研發任務的成功率可能只有 20%；但在一個為特定任務深度優化的 harness 驅動下，成功率可以躍升至 70% 以上。

此前被扣上「套殼產品」帽子的 Devin、Cursor 和 Manus 這類項目的核心壁壘，正在于那個被看低的「殼」，今天我們所說的 harness engineering。它們不擁有獨家的超級模型，但是構建起了一套 harness 系統，包含了精密的任務規劃與分解、代碼執行與沙箱、持續學習與反思、以及針對性的錯誤修正邏輯。

在這個階段，競爭的焦點會從「誰的模型更強」轉向「誰的控制層更優」。

第三階段：數據與環境為王（2028+，終局之戰）

當模型成為水電煤，各種高階的 Harness 系統也逐漸成熟并趨于標準化后，終極護城河才會成形。屆時，AI 的能力公式將會演進為：

AI 終極能力 = (模型能力 × Harness 效率)(數據 × 環境)

Environment engineering，其實是在提前押注第三階段。最強大的 AI 系統，將是那些能將模型和控制層深度嵌入到真實業務場景中，并重構了環境交互接口的公司。

Agent 在被重構的真實環境中執行任務，會產生獨一無二的交互數據，成功的捷徑、失敗的教訓、人類的微調修正。這些閉環數據反過來不僅可以微調模型，還能夠優化 Harness 的決策邏輯，從而形成一個自我進化的閉環。

例如微軟的 Microsoft 365 Copilot，依托 Office 全場景生態，打通并掌控了個人與企業最核心的業務環境——從 Outlook 郵件、Teams 會話到文檔、表格、會議等全鏈路數據與操作接口。Copilot 底層的 orchestrator，本質就是面向辦公場景的標準化 Harness 系統，在高度結構化的真實環境中調度模型能力，完成總結、撰寫、分析、執行等復雜任務。

用戶每一次采納、修改、反饋，都會形成高價值的閉環數據，持續反哺 orchestrator 策略優化與模型迭代，讓（模型 × Harness）與（數據 × 環境）形成指數級放大的正向循環。這正是第三階段核心競爭力的完整體現。

屆時，擁有海量真實場景和閉環數據流的企業，將擁有指數級優勢。

由此，如果你的團隊還在花大量時間手寫基礎的 prompt、基礎的記憶存儲，就把這些交給模型廠吧。不要在注定會成為基礎設施的地方建名存實亡的壁壘。

Agent 時代的下一場戰役，既不單純屬于逐漸基建化的大模型 API，也不完全屬于理想化的環境接口重構。

當下及未來的 2～3 年，做深特定領域的 Harness 系統架構會是一個有價值的創業切入點。

在云計算時代，AWS 吞掉了很多底層技術，但提供可觀測性的 Datadog 和 Snowflake 依然長成了千億巨頭，因為他們掌握著企業的「運營控制層」。這同樣是 AI 時代的財富密碼。

Environment engineering 是長期目標，而不是短期捷徑。提前布局，但不要幻想能一步到位。今天構建的強大 harness，正是你未來撬動環境改造、構建數據飛輪的唯一杠桿。

可做的事很多，該做什么才是更關鍵的。在新概念的浪潮中形成你自己的原生世界觀，然后，扎進去，把該干的干到最好，可能就是今天最值得做的事情。

轉載請聯系極客君微信 geekparkGO