过去一年，大模型的能力曲线几乎是指数上升的——推理更强、工具调用更稳、上下文窗口越撑越大。但一个越来越尖锐的问题也随之浮出水面：模型变强了，可承接它的那层东西在哪？
随着任务的复杂度提升，Agent（智能体）的上下文在无限膨胀。在无穷的历史对话、工具调用输出、中间步骤以及报错信息中，模型迷糊了，于是开始跳步、忽视、绕道。
在本文中，我将探讨编码智能体（coding agents）及其智能体编排（agent harnesses）的整体设计：它们究竟是什么、工作原理如何，以及在实际应用中各组件是如何协同运作的。
LangChain 只换了模型外面的基础设施——同一个模型、同一套权重——就从 TerminalBench 2.0 排行榜 30 名开外直接跳到了第 5 名。另一个独立研究项目让大模型自己优化这层基础设施，达到了 76.4% 的通过率，超过了所有人工设计的方案。
相信大家都能感觉到，进入2月以来，“上下文工程”、“Vibe Coding”的热度已经让位给了一个新名词："harness engineering"。
在这篇文章里，我想介绍编码智能体（Coding agents）以及 Agent harnesses 的整体设计：它们是什么、怎么运作，以及各个零件在实践中怎么拼到一起。
「用一句话交代任务，然后什么都不用管，AI 自动执行。」这或许是大家最初对「AI 超级助手」的想象。
Anthropic推出平台级产品：Claude Managed Agents，开发周期从数月压缩到几天,To B业务更进一步，这是直接给了一个Harness Agent的盒子，用户只管干活就行了，随着产品发布，A厂还发布了一篇Harness（Managed Agents）工程细节文章，感觉A厂就差说在座的都是xx了，再一次遥遥领先！我们一文来说清楚
LangChain 只换了模型外面的基础设施——同一个模型、同一套权重——就从 TerminalBench 2.0 排行榜 30 名开外直接跳到了第 5 名。另一个独立研究项目让大模型自己优化这层基础设施，达到了 76.4% 的通过率，超过了所有人工设计的方案。
2026 年 3 月 30 日，#CreaoAI 冲上 X 全球热搜 Top 3。我们刷到这条热搜的时候，第一反应是：这次的用户反应有点不一样。不是常见的"AI新闻"传播路径——科技媒体报道、KOL转发、然后消失。这次的评论区里，不同语种的用户开始自己动手，有人让它每周一给 Gmail 邮箱里发送实时报价报告，
