大模型越强，Harness 越不能消失？Kimi 前 CLI 负责人拆解 AI 智能体工程核心真相

大模型持续迭代不会消灭 Harness，反而会推动 Harness 向上演化、持续增厚。底层用来弥补模型缺陷的补丁式框架会逐步被模型能力内化，但多智能体调度、状态管理、跨模型协作、任务交接等上层管控需求会持续爆发。Kimi 前 CLI 负责人 stdrc 基于 Kimi CLI、Raft 落地经验提出核心论断：认为 Harness 终将被模型取代的从业者，大多缺少完整 AI 智能体工程落地经验。当下 AI 行业两极分化，一边推崇极简 Agent 方案，另一边深耕多智能体集群，想要搭建稳定可用的企业级 AI 智能体，必须理清模型与 Harness 的共生关系，避开认知误区，找准技术架构投入方向。

问题：大模型不断变强，Harness 框架最终会消失吗？

随着 Pi 这类极简 Agent 方案走红，行业形成一种主流观点：依靠少量提示词、精简工具就能驱动模型完成任务，未来大模型能力持续升级，外部 Harness 运行管控框架会逐步被训练进模型，最终彻底淘汰。同时衍生出第二个观点：模型性能越强，配套 Harness 架构就可以做得越轻薄。 两种看法广泛传播，但大量一线工程案例证明该逻辑存在明显漏洞。stdrc 结合 Kimi CLI 从零搭建、迭代重构的实战经历提出反常识结论：模型能力提升只会让底层 Harness 简化，上层面向多智能体协作、长流程业务的 Harness 需求持续扩张，二者属于阴阳共生动态演化关系，Harness 永远不会消失。

步骤：逐层拆解认知误区，掌握 Harness 演化完整逻辑

步骤 1：破除两大行业普遍误解，建立正确认知

误解一：Harness 能够被训入模型，最终彻底消亡

很多技术从业者抱有该设想，但是落地工程视角下存在三处硬缺陷：

1. Harness 是模型的协作训练场。需要外部框架搭建运行规则，模型才有条件学习分工、任务配合，不存在脱离运行框架凭空学会复杂协作的大模型；
2. 智能提升会解锁更高复杂度场景。模型基础能力变强，面对的真实业务需求难度同步上升，如同人类进化出高等智慧后，衍生法律、通信等复杂体系；
3. 长流程业务无法依靠模型单独承载。多智能体协同、持续状态留存、长周期任务场景，单纯依靠模型记忆极易出现信息遗漏、任务冲突，属于系统工程问题，不能依靠模型能力强行解决。

误解二：模型越强，Harness 架构就越薄

该观点只观察到底层架构变化，忽略复杂度向上迁移趋势。随着大模型输出稳定性、工具调用能力提升，大量补丁类 Harness 会退出舞台：格式强制约束、超长纠错提示词、基础重试机制等弥补模型缺陷的设计不再必要。 但底层简化不等于整体变薄，模型突破能力瓶颈后，企业落地会涌现全新需求：多 Agent 协同调度、跨会话状态同步、统一权限管控、跨模型通信协议、记忆主动管理。这类需求在弱模型时代不存在，成为新一代 Harness 核心建设目标。

步骤 2：厘清 Harness 标准定义与核心组成

不要将 Harness 简单等同于提示词与工具封装。工程层面，Harness 是包裹大模型外层的运行时管控层，核心目标保障模型稳定、可控、安全对接真实业务系统，四大核心构成：

1. Agent 执行循环：标准化任务启动、执行、校验、重试流程；
2. 上下文与状态管理：任务进度留存、上下文压缩、历史信息回溯；
3. 工具与资源调度：分配系统接口、算力、第三方服务资源；
4. 安全与边界治理：权限隔离、输出风控、操作留痕。

模型与 Harness 属于动态平衡关系：一部分底层能力持续被模型内化，属于 “阴的扩张”；业务复杂度持续向上催生新管控框架，属于 “阳的延伸”。龙虾 PRO 相关实践文档可在longxiapro.com查阅更多智能体架构落地参考。

步骤 3：参考 Kimi CLI 实战，看懂 Harness 真实演化路径

Kimi CLI 从零起步搭建，完整见证 Harness 生长周期：

1. 初期阶段：仅实现基础单工具调用，Harness 重心放在引导模型正确调用工具；
2. 迭代中期：拓展并行调用、子智能体调度，完善基础状态管理模块；
3. 减法实验阶段：团队主动移除子 Agent 调度、原生并行控制代码，交由模型通过脚本自主实现，验证底层 Harness 确实可以被模型能力替代；
4. 架构升级阶段：底层架构简化后，多智能体通信、任务交接、跨会话记忆等上层难题暴露，研发重心转向多 Agent 协作架构，也是 Raft 项目技术源头。

步骤 4：理解 Raft 架构，看清下一代厚 Harness 落地方向

stdrc 创立 Raft，直接放弃重复开发单 Agent 运行框架，选择接入成熟大模型产品，全部研发资源聚焦上层多智能体 Harness 建设，四大核心方向：

1. 独立身份与持久记忆：为每个智能体分配独立运行进程，任务中断后可持续接续工作；
2. 协作分工机制：模拟团队工作模式，搭建任务认领、移交、日志留痕体系；
3. 跨模型兼容通信：统一通信协议，打通不同厂商大模型，实现异构 Agent 协同；
4. 人机协同工作空间：将技术框架转化为业务工作流，实现人类员工与 AI 智能体协同办公。

步骤 5：预判长期终局，找准技术投入方向

Harness 演化最终形态具备极强隐蔽性。成熟落地场景中，状态同步、权限管控、任务调度等底层逻辑会完全封装在产品内部，使用者感知不到复杂调度系统，如同人们日常工作不会持续感知社会规则体系。Harness 最终会成为 AI 数字化基础设施，类似电网、供水系统，融入企业日常业务流程。

表格：薄 Harness 与厚 Harness 核心特征对比

表格

结论

AI 智能体行业不存在 “模型吞噬一切” 的单向演化趋势。大模型能力提升，只会持续淘汰用于兜底纠错的底层补丁式 Harness，但是企业规模化落地必然面临多智能体协作、长周期任务、跨系统对接等复杂场景，驱动上层 Harness 持续增厚。 单纯模仿极简 Agent 方案，只能完成轻量化零散任务；想要搭建具备商业价值、可规模化落地的 AI 智能体体系，研发重心不能局限优化单模型提示词与基础工具，应当提前布局多 Agent 调度、状态治理、异构模型协同等上层架构能力。 技术从业者需要跳出静态认知，不要纠结 “要不要搭建 Harness”，而是区分清楚哪些架构模块可以交给模型内化，哪些上层管控能力必须自主搭建，以此构建长期难以复制的技术壁垒。

想要落地企业级多智能体架构，欢迎深入研究多 Agent 协作运行框架，结合自身业务场景搭建分层 Harness 体系，优先验证长流程任务稳定性与跨智能体任务流转能力。