Agent Harness Design: 3 Patterns for Harnessing Claude's Intelligence（Agent Harness 设计的三种模式）

随着 Claude 能力的演进，围绕模型的软件脚手架（agent harness）也必须随之调整。开发者应当持续重新评估：哪些功能应该留在 harness 里，哪些 Claude 已经能独立胜任，并在智能收益与延迟、成本之间取得平衡。

什么是 Agent Harness

Agent harness 指把原始模型智能转化为可用 Agent 的那一整套东西：循环（loop）、工具、上下文管理和护栏（guardrails）。Harness 设计是一门持续的实践——随着模型进步，不断判断哪些脚手架仍然必要。

模式一：依靠模型，而非 Harness（Lean on the Model, Not the Harness)

核心思想： 用 Claude 已经深度掌握的工具来构建应用。

• Claude 3.5 Sonnet 仅用 bash 和文本编辑器两个工具就在 SWE-bench Verified 上达到 49%
• 这些通用工具可以组合出专门化的模式：Agent Skills、程序化工具调用（programmatic tool calling）、记忆工具
• Claude 对熟悉的工具会随时间自然变强，与其发明任务专用工具，不如利用模型精通的通用工具
• 例子： Claude Code 本身就依赖 bash 和文本编辑器，说明简单且被模型深刻理解的工具胜过复杂的定制方案

模式二：给 Harness 做减法（Strip Down Agent Harnesses）

核心思想： 持续追问哪些 harness 功能 Claude 现在已经可以自己管理。

2A. 让 Claude 编排自己的动作

• 问题： 传统 harness 把每个工具结果都送回 Claude 的上下文窗口，不需要的数据也消耗 token
• 方案： 提供代码执行工具（bash、语言 REPL），让 Claude 自行过滤、管道化、串联工具输出，而不膨胀上下文
• 效果： 在 BrowseComp 基准上，给 Opus 4.6 输出过滤能力后，准确率从 45.3% 提升到 61.6%

2B. 让 Claude 管理自己的上下文

• 问题： 手工编写的系统提示词让每一轮都背着大量很少用到的指令
• 方案： 用带 YAML frontmatter 的 skills 实现渐进式披露（Claude 按需读文件）；用 context editing 移除过期信息
• 进阶： 子 Agent（subagents）让 Claude 为独立任务开启全新上下文窗口，在 BrowseComp 上带来 2.8% 提升

2C. 让 Claude 持久化自己的上下文

• 问题： 长时运行的 Agent 会超出单个上下文窗口的容量
• 方案：
• 压缩（Compaction）： Claude 摘要历史上下文以保持连续性（Opus 4.6 在长任务上达到 84% 准确率）
• 记忆文件夹（Memory folders）： Claude 写文件供日后检索（把 Sonnet 4.5 在 BrowseComp-Plus 上的准确率从 60.4% 提升到 67.2%）

宝可梦游戏案例： Sonnet 3.5 玩了 14,000 步后把记忆当成流水账（31 个文件，还停留在第 2 个镇子）；Opus 4.6 则把战术笔记组织成 10 个有条理的文件，拿到 3 个道馆徽章，并从失败中总结经验——体现了模型在信息取舍上的判断力进步。

模式三：谨慎设置 Harness 的边界（Set Boundaries Carefully）

3A. 设计上下文以最大化缓存命中

Prompt caching 可以把缓存 token 的成本降到输入 token 的 10%。优化原则： - 稳定内容（系统提示、工具定义）放在动态内容之前 - 用追加消息的方式注入 system reminder，而不是修改系统提示 - 避免切换模型（缓存是模型专属的） - 用 tool search 做动态工具发现，保持缓存完整性 - 多轮应用中把缓存断点（breakpoint）移到最新消息上

3B. 用声明式工具服务于 UX、可观测性与安全

• 安全边界： bash 杠杆大但可观测性差；专用工具有类型化参数，harness 可以拦截和把关
• 可逆性准则： 难以撤销的动作（外部 API 调用）值得用户确认；写操作可以加过期检查（staleness check）
• UX 渲染： 工具可以呈现弹窗、选项，或阻塞循环等待用户反馈
• 可观测性： 结构化的工具参数支持日志、追踪和回放
• 注意： 安全边界的必要性也可能下降——例如 Claude Code 的自动模式用第二个 Claude 模型判断 bash 命令的安全性，可能减少对专用工具的依赖

关键技术概念

基准数据一览

• SWE-bench Verified： Sonnet 仅用极简工具达到 49%
• BrowseComp： 输出过滤让 Opus 4.6 从 45.3% → 61.6%；子 Agent 再加 2.8%；压缩让 Opus 4.6 达到 84%
• BrowseComp-Plus： 记忆文件夹让 Sonnet 4.5 从 60.4% → 67.2%

结论与建议

1. 持续重估： 随模型能力提升，定期检验关于其局限的假设。例如 Sonnet 4.5 需要的「上下文焦虑重置」到 Opus 4.5 就不再需要——变成了 harness 里的「死重」。
2. 大胆修剪： 常问「我可以停止做什么？」，移除拖累性能的过时脚手架。
3. 通用工具的复利： 编码基准上的强表现会迁移为通用 Agent 能力，因为代码是通用的编排语言。
4. 渐进式披露原则： 不要预加载全部上下文，让 Claude 通过文件工具和 skills 按需获取信息。
5. 资源效率： 善用缓存、context editing 和输出过滤，在保持性能的同时降低 token 消耗。

Harness 设计不是一次成型的，而是一门随模型智能演进而不断调整脚手架的持续学科——永远在问：这项职责应该归 harness 还是归模型？