GPT-6 Astra发布，哪些AI工具该淘汰了？

这周前沿模型密集发布，更新速度快到难以记住版本号，且普遍提供免费使用。在大量使用后，我开始思考模型与 Harness（模型外部的任务组织系统）的关系。目前 Harness 生态仍处初级阶段，其工程优化常呈动态细化，且部分优化可能随模型换代而失效。

Anthropic 曾举例：针对 Claude Sonnet 4.5 接近上下文上限时提前收尾的行为，团队在 Harness 中加入上下文重置机制；但换用 Opus 4.5 后问题消失，该机制反成负担。这说明 Harness 中的某些规则可能仅适用于特定代际的模型。随着 GPT-6 Astra 等新模型出现，类似检查需重新评估：原有规划、分工、摘要、复核等流程是否仍有效？哪些步骤只是延续旧模型习惯？若官方产品已提供历史检索与执行管理，自建层的价值何在？

我的判断是：围绕模型能力缺陷搭建的流程将最先被删减；负责外部状态、执行权限与业务验收的部分仍有大量工作；通用运行能力将更多由平台提供。笼统得出“Harness 无用”或“永远最重要”的结论均不具指导意义，需区分能力消失、实现迁移与责任保留三种情况。

一、需重新评估固定式多 Agent 编排
Harness 中部分设计类似给旧模型的详细操作说明，如任务分角色、分阶段并强制输出格式。在模型易漏步骤时这有现实意义，但模型升级后，每轮调用应重新证明其作用。例如修复接口参数校验，能力强模型可一次连续完成，强制拆分角色会增加上下文交接，导致原始信息丢失。多个 Agent 读取相同材料、用相近提示词讨论，未必产生独立判断，可能共同接受错误前提。有明确工作边界的并行（如独立模块检查、兼容性与性能测试并行）仍有价值，收益来自任务可并行、证据不同、上下文隔离；若仅为同一推理换身份，则需数据证明收益。

Astra 官方指南提示，其对 Skill 和 AGENTS.md 指令更敏感，含糊规则可能导致提前停工，小任务可能触发超范围测试。模型更遵守规则后，规则质量更易暴露。值得保留的是项目特有约束（如模块依赖限制、操作确认要求、验收标准），而“请认真思考”等通用要求可先删减。

二、记忆层：减少压缩，保留可追溯记录
Astra 在 Codex 中可跨上下文保存笔记、搜索历史窗口，虽为实验功能但计划设为默认。这使仅提供“定期总结再塞回”的记忆产品承压，官方运行环境做好历史检索后，用户无需维护第二套摘要系统。但这不意味着 RAG 或上下文工程过时：模型能处理长材料，仍无法解决材料未接入的问题，也无法判断旧文档与当前配置何者为准，且存在权限边界。上下文系统未来投入应更具体：检索结果可追溯原文？资料修改后旧索引何时失效？多版本配置何者为当前事实？临时猜测是否会被存为长期知识？Anthropic 将会话日志存于上下文窗口外，允许按需重读；OpenAI 用较短 AGENTS.md 作导航，详细知识放入有版本管理的仓库文档，并用检查程序维护链接与时效。因此，记忆层应减少反复压缩，保留可追溯原始记录，找准当前有效信息；笔记存储与会话搜索是否自建，视平台能力而定。

三、执行必须有界且可恢复
考虑常见故障：Agent 调用接口创建文档，服务端成功但响应丢失，客户端超时。此时重试可能产生重复文档，直接报告成功也可能出错（请求可能未达服务端）。模型无法从超时推断服务端真实状态，系统需提前安排查询方式：支持幂等键则携带相同标识；可查询状态则先读回；两者皆无则承认不确定，停止盲目重试。此类问题不随模型升级消失，还包括进程中断恢复、多 Agent 并发修改、外部操作已发生但本地未保存、预算耗尽时停止任务等。对话摘要能保存“记得做了什么”，但“知道外部系统实际发生了什么”需操作记录与权威状态查询。执行“有界”需落实到工具与环境：仅给当前任务所需权限、限制外部调用费用、规定最长运行时间、提供取消机制；提示词中的预算要求仅辅助决策，实际限额由程序执行。“可恢复”需分清已完成、未开始、执行失败与结果未知，尤其“结果未知”不能被简单失败状态吞掉。Anthropic 的 Managed Agents 将 Session、Harness 与 Sandbox 分开建模，允许独立更换实现，通用基础设施被平台承接是另一种“被吃掉”——功能继续存在，但开发者无需重复维护。

四、减少无新增证据的复核，强化独立验收
模型升级后，应优先减少无新增证据的复核（如让模型自答三遍）。独立验收仍值得投入，其依据应独立于执行者解释：修改接口需触发原始问题的测试；迁移数据需核对记录与业务不变量；生成页面需实际检查交互；外部写入需读回目标对象。完成状态应绑定证据，并根据改动范围与风险选择验证器，无新改动则不必重复复核。更强模型更能理解测试失败原因并修正实现，但业务验收条件须由业务方明确，如“退款成功”指申请受理还是资金到账，“交付完成”指本地生成还是平台可读。定义含糊，模型再强也可能完成另一个版本的任务。

综上，Harness 优化方向应随