Agent = Model + Harness：为什么你的 AI 编码工具总是不稳定

拆开看：Model 和 Harness#

把任何一个 AI 编码工具拆开，其实是两个正交的部分：

• Model（模型）：负责理解、推理、生成代码。这是你最容易感知到的部分。
• Harness（工程规范）：让模型能稳定、按流程干活的整套工程约束系统。包括——
  • 项目规范的存放位置（该听谁的、不该听谁的）
  • 任务状态管理（做到哪一步了、下一步是什么）
  • 上下文投喂策略（该喂什么、不喂什么、喂多少）
  • 经验沉淀机制（踩过的坑下次怎么避免）
  • 工具调用规程（什么时候该跑命令、什么时候该问人）
  • 行为边界设定（哪些事绝不能让它自作主张）

三个关键认知#

1. 解耦思维 把”模型能 coding”和”模型能在项目中持续稳定 coding”彻底分开。前者是能力，后者是系统。

2. Harness 才是稳定性的来源 单一模型的提升，替代不了工程规范的缺失。模型再强，没有好的 Harness，照样在真实项目里翻车——因为它不知道你的项目规范、不知道上下文怎么组织、不知道边界在哪。

3. 表现归因 当 AI 编码工具表现不好时，先查 Harness 的完备性，而不是归咎于模型。这是最容易犯的错误：一不顺就换更强的模型，结果问题依旧。

我的实践#

我日常用 Claude Code 做主力交付，一开始也遇到过”越用越崩”的阶段。后来我把稳定性问题归因到 Harness 层，给自己搭了一套”永不遗忘系统”：

• 对话记忆：跨会话记住上下文，不用每次从零讲
• 代码知识图谱：全项目调用链、影响半径存进图数据库，改代码先定位影响
• wiki 知识库：修过的 bug、做过的架构决策，以稳定引用的方式沉淀，下次不重踩

这就是我的 Harness 层。效果很直接：一个人能同时维护多个系统不掉线，新会话 5 秒内能检索到历史经验。这套系统让我真正理解了 Agent 好用的根源——不是快，是让知识跨会话积累。

结论#

评价一个 AI 编码工具（或你自己的 Agent 工作流），先看它的 Harness，再谈模型。从 vibe coding（无约束的乱写）到 spec coding（有工程规范的落地），本质就是给模型补上 Harness 这一层。模型会持续升级，但真正让你稳定产出的是那套看不见的工程系统。