Harness

Harness（在人工智慧領域常被稱為AI 馬具、智能體外殼或運行外殼）是一種通用的 AI 軟體架構概念。其核心作用是將純粹進行邏輯推理的「大語言模型（LLM）大腦」，與能實際操作計算機系統的「身體部件（如文件系統、命令行、網絡檢索、網頁瀏覽器）」進行徹底解耦與連接。

「Harness」一詞原本指馬車上的馬具。在 AI 時代，該術語被借用來指代「套在大模型身上的約束、控制和賦能框架」——它既為大模型提供操控外界的接口（賦能），又嚴格限制其越權行為並記錄其一舉一動（約束）。

核心設計公式

在當前 AI 行業，普遍存在一個技術公式：

<math>\text{Agent (智能體)} = \text{Model (模型大腦)} + \text{Harness (通用外殼)}</math>

• Model（模型）：僅負責接收文本/視覺輸入，並預測輸出下一個 Token（思考、判斷、生成代碼）。
• Harness（馬具）：負責解析模型輸出的代碼或工具調用（Tool Call），在真實的、隔離的沙箱環境中執行該操作，並將執行結果（如報錯信息、網頁內容、終端輸出）重新塞回模型的上下文中。

通用 Harness 的核心職能

1. 一切皆插件（解耦架構）

先進的 Harness 架構通常採用高度模塊化的插件系統（如基於 Cordis 內核）。它確保沒有任何工具擁有特權，包括以下組件均可熱插拔：

• 模型適配器（LLM Adapter）：同一套外殼，既可以接入本地的 DeepSeek 模型，也可以一鍵切換至雲端的 GPT-4、Claude 或 Gemini。
• 執行工具（Tools）：如文件讀寫器、Bash 終端、瀏覽器自動化工具（Playwright）。
• 交互界面（UI/UX）：可以自由切換為命令行（TUI）、Web 網頁或跨平台桌面客戶端。

2. 事件溯源與運行軌跡可觀測性

通用 Harness 必須嚴格遵循「模型可見 ⟺ 已記錄」（Model-Visible ⟺ Logged）的不變量原則。AI 在執行複雜任務（如自主修 Bug）時，中間經歷的所有思考、命令調用、失敗重試、報錯日誌，都會被 Harness 以「僅追加（Append-only）」的方式記錄為一條完整的軌跡（Trajectory）。

• 回放與搜索：人類用戶可以像看錄像帶一樣回放 AI 的行為。
• 分叉與恢復（Forking）：用戶可以隨時把 AI 的某一步驟「分叉」出去進行實驗，測試不同的引導詞，且不破壞原有的主線會話。

3. 安全護欄與沙箱接縫

由於 Harness 賦予了 AI 作業系統級別的極高權限，安全防護是其必不可少的核心：

• 權限隔離（Sandbox Seam）：Harness 底層通常封裝了沙箱技術（如 `bwrap` / Bubblewrap、`Landlock`、Docker 等），將 AI 的讀寫範圍限制在特定的項目工作區內，防止大模型誤刪系統盤。
• 人類介入（HITL / Human-in-the-Loop）：對於高危操作（如刪除文件、執行 `rm -rf`、發送網絡請求或產生經濟扣費），Harness 會自動觸發人類審批機制（`ctx.approval`），暫停 AI 運行並等待人類一鍵確認。

行業主流實現方案對比

Harness 實現名稱	發起方/生態	核心特點	主要適用場景
DeepSeek Harness (dsh)	深度求索 開源	極致的聲明式配置（YML 驅動）、完全解耦、高並發、基於 TypeScript。	開源社區全自主、全模態 Agent 構建。
Claude Code	Anthropic	與 Claude 3.5/3.7 緊密集成，主打極致的終端自動化編碼、上下文高精度控制。	終端命令行、程式設計師日常編程輔助。
LangGraph / AutoGen	傳統 Agent 框架生態	側重於利用多 Agent 編排、有向無環圖（DAG）來規定複雜的業務流。	企業級多智能體協同、固定工作流自動化。

局限性與行業挑戰

• Token 膨脹與成本控制：Harness 為了讓大模型獲得完美的情境感知，需要不斷把工具執行結果重發給模型，易導致 Token 消耗呈指數級上升（尤其是在多輪迭代和重試中）。
• 幻覺級安全越獄：當大模型產生嚴重的「幻覺」或遭受外部提示詞注入攻擊（Prompt Injection）時，Harness 的安全護欄是否能 100% 攔截惡意的系統指令，仍是目前學術界與工業界的攻防焦點。

參見

• 智能體 (AI Agent)
• 大語言模型 (LLM)
• 沙箱 (Sandbox)
• DeepSeek Harness