模型能力趋同之后，harness 才是真正的护城河

「把最强的开源模型放进类似的 harness，它的表现很可能和 GPT-5.4 在 Codex 里差不多。」

这句话来自 Sebastian Raschka 4 月初的 newsletter Components of A Coding Agent。它说的不是挑衅，而是一个越来越清晰的工程现实：模型正在趋同，harness 才是差距所在。

为什么模型能力开始趋同

2026 年上半年，顶级 LLM 的基础能力已经相当接近。无论是 GPT-5.4、Claude Opus 4.6 还是 GLM-5，在 plain chat 场景下的表现差距相对微小。Raschka 在文章里直接说：

“Since, in my view, the vanilla versions of LLMs nowadays have very similar capabilities, the harness can often be the distinguishing factor that makes one LLM work better than another.” — Sebastian Raschka，Components of A Coding Agent

这不是说模型不重要。更强的底座确实提供了更好的基础。但在 coding agent 这个场景里，代码工作只有一部分是 next-token 生成。更多的工作是：在大型代码库里导航、搜索函数定义、应用 diff、执行测试、检查错误报告、在整个 session 里保持一致的上下文。这些不是模型本身能解决的，而是 harness 要处理的。

Coding Agent Harness 的六个核心组件

Raschka 把 coding harness 拆解成六个主要模块，这是一个清晰的工程框架：

1. Repo Context Management：如何从大型代码仓库里抽取相关上下文？不是把整个 repo 塞进 prompt，而是智能地选取相关文件、函数定义和依赖关系。Claude Code 用了 Tree-sitter 做 AST 解析；Codex 有专门的 repo-level 搜索。

2. Tool Design：工具的接口设计直接影响模型表现。太宽泛的工具（比如「edit any file」）会让模型困惑；精心设计的原子工具（read_file, search_symbol, run_test, apply_diff）更能引导正确的行为。

3. Prompt Cache Stability：system prompt 和常用上下文如果能保持稳定，inference cost 可以大幅下降（前缀缓存命中）。harness 要尽量把「稳定部分」和「变化部分」分开。

4. Memory and Session Continuity：跨步骤、跨会话的记忆管理。一个 3 小时的 coding session 里，agent 怎么保持对任务进度的认知？这是纯 LLM 无法回答的问题。

5. Long-Context Management：随着 session 变长，context 会爆炸。harness 要决定什么可以截断、什么必须保留、什么可以压缩（例如 Cursor Composer 2 的 self-summarization 策略——主动把旧的 context 总结成简短记录）。

6. Iterative Feedback Loop：执行测试、观察错误、修正代码——这个循环的工程实现决定了 agent 能不能真正「自主」完成任务，还是需要不断人工干预。

harness-specific post-training 的价值

Raschka 提到了一个微妙但重要的点：虽然一个好的通用模型放进好的 harness 能表现很好，但针对 harness 的专门 post-training 依然有额外收益。

这就是为什么 OpenAI 历史上维护了 GPT-5.3 和 GPT-5.3-Codex 两个变体，也是为什么 Cursor 选择基于 Kimi K2.5 进行进一步训练而不是直接用通用模型。模型在 harness 的具体工具接口、prompt 格式、错误反馈模式下多次迭代，会产生更自然的工具调用习惯。

这个逻辑意味着：训练和部署环境的高度一致性变得至关重要。Cursor 在论文 Composer 2 Technical Report 里明确提到，他们在训练时维护了一个 shadow deployment，让 RL rollout 在和生产完全相同的工具和提示格式下运行。这不是巧合，这是设计原则。

对行业格局的影响

如果 harness 是真正的竞争壁垒，那么几个推论：

• 开源模型 + 好的 harness 可以击败闭源模型 + 平庸的 harness。 这对初创公司是机会，对大公司是威胁。
• 垂直场景比通用场景更容易建立护城河。 coding 是一个有明确可验证 reward（测试通过/不通过）的领域，harness 可以快速迭代。医疗、法律等领域类似。
• “我们用了最好的模型”不再是充分的卖点。 用户体验的差异更多来自上下文策略、工具设计和内存管理。

Sebastian Raschka 的文章附带了一个 mini-coding-agent 开源实现，值得学习 harness 工程的基本结构。

模型军备竞赛还会继续，但 2026 年开始，harness engineering 正在悄悄成为另一条赛道。