怎么理解 Agent = Model + Harness

先解释为什么会有这句话

这句话最早其实是很多 AI Infra 公司（包括 LangChain、OpenAI SDK、Anthropic、Cognition、Cursor 等生态）慢慢形成的共识。

以前大家觉得：Agent = 一个超级聪明的大模型，后来发现不是。真正上线以后，大模型真正负责的大概只有：理解问题、推理、决策、写一点代码、输出下一步。

真正复杂的是：

• 调用工具


• 状态管理


• 上下文压缩


• 错误恢复


• 权限控制


• Memory


• Observation


• Workflow


• Retry


• Logging


• Evaluation

这些东西全部不是模型。

于是大家开始说：Agent = Model + Harness，这里 Harness 可以理解成：把模型"驾驭"起来的一整套运行框架。

我怎么理解 Harness

我更喜欢把 Harness 理解成：Agent Runtime，里面至少包括几个层次。

第一层：Context Harness

就是模型到底看到什么。

例如：User Question + History + Memory + Tool Results + Long Context + Prompt，其实都是 Harness 决定。很多 Agent 的性能不是模型决定，而是：你给模型看了什么。

第二层：Execution Harness

模型说：Call Search，谁去调用？模型不会。Harness 去：execute() -> 拿到结果 -> 继续喂回模型，包括：Tool Calling 、MCP 、 Function Calling 、 API 、 Browser 都属于这里。

第三层：Loop Harness

Agent 为什么能一直干活？因为：Think -> Act -> Observe -> Think -> Act -> Observe，这个循环不是模型自己会。Harness 在控制：

while not done:



    model()



    execute()



    observe()

所以 ReAct 本质上就是一种 Harness。

第四层：Recovery Harness

Agent 最大的问题其实不是不会。而是会失败。

例如：

• Tool timeout


• API error


• 404


• Permission denied


• JSON parse failed

这些模型不会处理，Harness 要：Retry 、 Fallback 、 Alternative Tool 、 Repair JSON 、 Human in loop，真正上线以后，这部分代码可能比 Prompt 还多。

所以 Model 的职责越来越小了吗？

恰恰相反。 Model 的职责越来越纯。以前，模型负责：Planning、Tool、Memory、Workflow、Coding、Everything，现在越来越变成：Reasoning 、 Decision 、Planning 、Generation，其它全部外包。所以Model 更像CPU，Harness 更像Operating System，这个比喻我觉得比 “Harness” 更容易理解。

但我觉得还缺一层，如果让我定义，我会写：Agent=Runtime+Model+Environment，或者：Agent=Reasoning+Execution+World。为什么？因为很多 Agent 能力其实来自 Environment。

举个例子：Claude Desktop为什么厉害？不是 Claude。而是：Claude +MCP +Filesystem +Git +Browser +Slack +Notion。换句话说：Agent 能干什么。80% 是：它能接触世界吗？而不是：它会不会推理。

再进一步，我觉得还缺 Memory，很多人忽略 Memory，真正长期 Agent：Model+Harness+Memory。Memory 包括：短期：Conversation、Scratchpad，长期：User Preference、Past Experience、Project Knowledge、Failures、Learned Skills。没有 Memory，Agent 永远都是，第一天上班。

             Goal

               │

               ▼

        ┌────────────┐

        │   Model    │

        │ Reasoning  │

        └────────────┘

               │

        Decision / Plan

               │

               ▼

        ┌────────────┐

        │  Harness   │

        │ Runtime    │

        └────────────┘

         │    │    │

         │    │    │

     Memory Tools Environment

         │    │    │

         └────┴────┘

               │

          Observation

               │

               ▼

             Model

其中：

• 
  

  Model 决定"怎么想"（推理、规划、判断）。

  
  


• 
  

  Harness（Runtime） 决定"怎么执行"（循环、工具调用、错误恢复、状态管理）。

  
  


• 
  

  Memory 决定"是否积累经验"（跨会话、跨任务的持续能力）。

  
  


• 
  

  Environment 决定"能影响什么世界"（浏览器、代码、文件、业务系统、机器人等）。

  
  

如果你在学习或构建 Agent，我建议把精力按下面的比例分配：

• 
  

  20%：模型能力——理解推理、Prompt、工具调用等基本能力。

  
  


• 
  

  50%：Harness / Runtime——上下文管理、工作流、状态机、调度、容错、可观测性。

  
  


• 
  

  30%：Environment 与 Memory——如何连接真实业务系统，如何让 Agent 跨任务积累知识和经验。

  
  

一句话总结我的观点：

“Agent = Harness + Model” 是一个优秀的工程起点，但不是终点。真正完整的 Agent 更像是：Agent = Model（思考） + Harness（执行） + Memory（积累） + Environment（工作环境）。

如果把 Agent 比作一个人，那么模型是大脑，Harness 是神经系统和身体协调机制，Memory 是长期记忆，Environment 则是这个人能够接触和改变的世界。只有这四者协同，Agent 才真正具备持续完成复杂任务的能力。