模型越强Harness越轻还是越重？OpenAI与Anthropic工程师给出相反答案

模型越来越强后，Harness 会变重还是变轻？OpenAI 和 Anthropic 工程师给出不同判断。OpenAI Codex 团队 Tibo 认为，随着模型进步，开发者消息会越来越短，Harness 会越来越轻。Anthropic Claude Code 团队 Thariq Shihipar 则认为，模型越强，Harness 反而越复杂，因为要让模型做更多事。

Tibo 表示，Codex 的 Harness 通常比模型领先一点。当模型具备潜力但尚不稳定时，Harness 会通过额外指令和控制机制提供“拐杖”，让任务更可靠高效。随着模型能力提升，新模型更能理解用户意图，也会主动反思任务是否完成，过去依赖开发者消息强制约束的行为可逐渐由模型自己学会。Codex 团队在增加产品能力时，会先判断问题应由 Harness 还是模型解决。如果模型层很快能修复，团队甚至不在 Harness 中加临时补丁，而是等待下一版模型。因此，一部分 Harness 逻辑本就是临时性的，模型能力追上后会被删除。

Thariq 则认为，Agent 开始承担更长时间、更高自主度任务，模型越强，Harness 越需复杂。过去 Claude 一轮任务只运行几分钟，权限确认可由用户手动操作；现在可连续工作数小时，系统必须通过分类器、沙箱等机制，让它在长期运行中保持安全并遵循指令。同时，Agent 工作时间变长后，如何让人看懂它做了什么也成为新问题。若 Claude 连续工作 8 小时，用户不可能逐步回看全部过程，因此 Anthropic 借助 Artifacts 呈现结果和进展。Thariq 认为，Harness 工程正变成“科学和艺术的混合体”，Auto Mode、Workflow、Sandbox 等原本像辅助能力的组件，正在成为整个 Agent 系统的“承重结构”。

两种结论并不真正矛盾，两人都描述了 Agent Harness 的结构性变化：模型越强，负责“教模型怎么做事”的 Harness 会变轻，但负责“让模型安全、长期、并行地做更多事”的 Harness 会变重。

Thariq 在对话中还表示，Prompting 仍非常有价值，不只是最后输入的那句 Prompt。不同模型有不同怪癖，真正积累的能力是学会适应新模型。对模型说“相信自己”有效，真正起作用的是告诉模型：这个问题值得使用更多算力，我允许你这么做。Claude Code 系统提示词删掉约 80%，因为过去必须放进工具描述的很多示例，现在反而产生负作用。除非看到模型持续做错，否则很多示例可以删。

让模型做出“有品位”的结果，人类得在闭环里，并给它参考。HTML 比截图更好，Figma 比栅格图更好，因为模型可直接读结构。越来越重要的是成为“高品位用户”，知道什么结果值得要、何时继续推进。大 PR Review 时，他通常会附 Artifact，列出所有 Prompt，包括失败尝试；若是一次性完成，也会直接说明。最想避免突然扔给别人一个 1 万行 PR，对方不知道他看过多少、如何与 Claude 协作。测试代码应比过去多约 100 倍，几乎所有东西都应有 Fixtures，可从生产数据生成数据库 Mock，前端准备 Storybook，并建立多种测试和验证方式。技术债能否等下一代模型再还，关键看重构能否更快交付客户价值；若项目 6 到 12 个月后才产生价值，也许可等下一代模型。AI 写代码更快可能带来更多事故，但也可用 Claude 改善 uptime，让过去负担不起的验证和故障演练大规模执行。Anthropic 内部算力优势被夸大，普通用户也可复制很多做法，关键是提高抽象层级。Claude 已能做过去很多实习生实现工作，但出现了大量新类型工作，如评测新 Coding Agent 行为、衡量 Claude 在数百万用户各种任务中的表现。新人入职仍需要入职搭档，但更多是社会关系和文化层面，而非技术层面。纯技术问题基本可直接与 Claude 协作解决。