同样是 Deepseek v4 Flash 0731，有的产品用起来行云流水，有的磕磕绊绊。套在 Claude Code 里是神器，换个壳子就像换了个人。
不是模型不一样，是模型外面那层东西不一样。
这层东西有个专业名字，叫 harness。直译是「马具」或者「线束」，但用在 AI 里，指的是环绕基座模型外面的那套系统，它决定模型怎么思考、怎么调工具、怎么管理上下文、怎么存储产物、怎么评估自己的结果。
简单说，harness 是模型的运行环境。
我想到一个类比，
模型是电，harness 是把电变成光和动力的那套装置。
同样的电，接进灯泡就是光，接进马达就是动力，接进冰箱就能保鲜。不是电不一样，是接进去的装置不一样。Claude Code、Cursor、各种 AI 助手背后可能用的是同一个模型，但 harness 不同，产出天差地别。
更关键的是，这层 harness，比模型本身更容易进化，也更应该进化。
而且它有一套自己长出来的机制。
说到为什么 harness 比模型更重要，Lilian Weng（OpenAI 的 Head of Safety Systems）最近写了篇文章，开头就说了一句让我印象很深的话，
夹在原始模型和真实世界之间的那一层，似乎和模型的原始智能同等重要。
什么意思？
大家习惯用「模型多聪明」来衡量 AI，GPT-4 比 GPT-3 强，Opus 5 比 Opus 4 强。但这只是故事的一半。
预训练刚结束时的裸模型跑 eval 拿了多少分，那是原始智能。但这份智能能不能兑现成真实世界里有用的东西，取决于 harness 这一层。
类比一下，一个人智商再高，如果没有合适的工具、没有记录的习惯、不会复盘总结，他的智商也发挥不出来。模型和 harness 的关系就是这样。
模型是大脑，harness 是手、眼、记事本和复盘会。
你不必让大脑自己变强，可以先把手脚、记忆和复盘机制做强。这就是为什么 Claude Code 能用同一个模型底座，但通过精心设计的 harness，产出质量吊打其他产品。
而且，harness 有个模型没有的优势，它是活的。
模型权重一旦训练完就冻结了，要改得等下一个版本发布。但 harness 不一样，它由可读、可改、可版本化的组件构成，context、workflow、记忆、评估、工具这些东西，每一个都能随时调整。
改 harness 不需要重新训练，成本低、迭代快、可回滚。
这也呼应一个更朴素的判断，可自我进化的系统，永远打败固化的系统。
说到这里你可能会想，harness 到底怎么自己变聪明？
很多人第一反应想到的是那种科幻画面，AI 自己改写自己的代码，越来越聪明，最后失控。
但实际发生的事情更实际，也更有意思。
harness 的自我迭代，不是靠什么黑科技，而是靠观察自己在什么情况下出错，然后针对性地打补丁。
改进从哪件事上被触发？答案是六类信号。
第一类，失败和报错。
这是最强的信号。任务失败、工具报错、测试不通过、用户说「不对重来」，这些都是最直接的反馈。
把每次失败归档成 case，做根因分析。是 prompt 没说清？工具缺失？上下文丢了？反复出现的同类失败，就沉淀成一条新规则、一个新工具、或一段新的 workflow。
这是从错误里长出来的迭代。
为什么失败是最强的信号？因为它能归因、能复现、能沉淀。做对了一件事，你可能不知道为什么对；但做错了，你能追踪到具体哪个环节出了问题。
第二类，用户反馈与纠正。
用户的显式纠正、偏好表达、追加约束（「以后都这样做」），这些都是金子。
把反馈提炼成可复用的记忆，带上 why 和 how-to-apply，下次自动加载。一次纠正，永久改变行为。
第三类，重复模式。
同一串操作反复出现、同一段 context 反复手动拼装，这时候系统要能识别「我又在做同样的事」。
把高频操作序列固化成 workflow，把高频上下文固化成模板。识别重复是自动化的起点。我们所谓的”自动生成skill“就是如此。
第四类，评估结果下降或停滞。
离线 eval 分数、任务完成率、耗时成本等指标变差或不动了，说明该优化了。但这个前提是你得先有可量化的评估回路，指标退化触发针对性优化，且每次改动都要能被同一套 eval 验证。
第五类，新工具、新能力出现。
有了新模型、新 API、新 MCP 工具，harness 要主动探测并接入新能力，重新编排 workflow。环境变了，活的系统要跟着变。
第六类，主动自省。
没有外部信号的时候，定期让系统回看自己的历史轨迹，审视自己的 context、workflow、记忆，提出「哪里可以更好」的假设，小步试验、验证、保留有效的。
这是最接近递归自我改进原意的一环，用当前智能改进产生智能的机器。
六类触发点背后，有两条铁律贯穿始终。
铁律一，必须有评估闭环。没有 eval，「改进」就是碰运气。任何一次自我修改，都要能被同一套评估验证是变好还是变坏。
铁律二，必须可回滚、留痕。harness 的改动要版本化、可撤销。活的系统不等于失控的系统。
再往深聊一层，模型和 harness 之间还有一个很精彩的关系，两种时钟。
模型和 harness，走的是两种完全不同的时钟。
模型是离散时钟，几个月发一次版，一次跳一大步，版本之间是冻结的。你今天用的 GPT-5.6，跟昨天的一模一样，跟明天的也一模一样，直到 OpenAI 发下一个版本。
harness 是连续时钟，每天都能改，贴着现实需求实时演进。你今天用 Claude Code 遇到一个问题反馈给 Anthropic，他们明天就能改 harness、更新部署，后天你再用，体验就不一样了。不需要等模型发新版。
这两种时钟之间，有一条传送带。
harness 在两次模型发版之间，充当现实需求的缓冲区和试验场。它先用工程手段顶上模型还做不到的部分，等模型下一版把这部分学会了，harness 就把这块卸载给模型，自己腾出手去顶下一个前沿。
所以 harness 永远在做同一件事，站在模型能力的边缘之外那一寸。
模型能力边界往外扩，harness 就往外挪一寸。它的位置是相对的，永远在前沿。
最反直觉的一点是，内化反而让 harness 更重要。所谓内化，就是harness的一些特性会被大模型吸收。
模型弱的时候，harness 大量精力花在补丁上，各种 if-else、启发式规则、防止模型犯蠢。模型强了之后，这些补丁不需要了，harness 转去做更高阶的编排，多 agent 协作、长周期自主研究、自我评估回路。
内化不是把 harness 掏空，而是把它从保姆解放成架构师。
低价值的活被模型吸走，harness 得以专注高价值的活。这跟「AI 填满 How 之后，判断力才是护城河」是同一个结构，只是主体从人换成了 harness。
回到我们自己，这一切对普通人有什么影响？
我自己最大的感受是，我们总是在担心被 AI 替代，但其实真正的问题不是「会不会被替代」，而是「该站在哪一层」。
模型会越来越强，会把越来越多的 how 内化进去。prompt 花招、咒语、具体 workflow 的巧劲，这些都会褪色。
会被内化的，是所有「怎么做」，因为 how 可以从数据里学。
永远不会消失的，是所有「做什么」，目标、约束、上下文、评估标准，因为这些是外部世界注入的信息，模型再聪明也无法凭空知道你要什么、你的现实约束是什么、什么算成功。
这是一条硬边界。模型能内化方法，但无法内化你的意图和你的现实。
所以对我们来说，值得投资的能力是什么？
不是 prompt 花招，而是把目标定义清楚的能力。不是 workflow 的巧劲，而是设计评估标准的能力。不是手工调参，而是判断「什么算好」的品味。
这解释了一个现象，为什么好的 prompt engineer 没失业，反而升级成了 context engineer、agent 架构师。他们投资的从来不是咒语，而是「说清需求 + 立好评估」的底层能力。
这个能力跨越模型代际，永远保值。
