Latent Space · 长文图解 · 2026.08.22

当模型把
harness 吃进权重，
剩下的就是注意力。

2025 年圣诞节前后，AI 工程师突然发现 agent「开始工作了」。Dan McAteer 的解释是 —— 模型曲线和 harness 曲线在那个瞬间交叉，两个东西在协同进化。然后模型开始把 harness 吃进自己的权重里，工程师再把被吃掉的部分删掉 —— 一圈一圈转下去，最后剩下的只有一种东西：人。

来源 latent.space · Dan McAteer 标注 howie.serious 阅读 约 11 分钟 可视化 李梦溪

01 / 三段史

Bolt-on ·
Co-training ·
Attention

harness 经历了三段历史 —— 从外面挂上去，到一起训练，到只剩下和人相关的那部分。

02 / 一条曲线

两条 曲线，
一个 缺口

模型问得越来越多，harness 能给的也越来越多。两条曲线之间的缝隙，就是 agent 的能力。圣诞节那个跳变，发生在两条线交叉的那一刻。

03 / 一个循环

训练 → 吸收 →
删除 → 重复

模型不断把 harness 的能力吃进自己的权重，工程师不断把被吸收的部分删掉。一圈一圈转下去，剩下的就是唯一一种模型永远不会吸收的东西 —— 人的注意力。

§ 01 · 那个跳变

2025 年圣诞节，
agent 突然开始工作了。

说不清楚为什么。可能大家终于有时间用最新模型跑一遍，可能是模型跨过了某个能力门槛，也可能是模型外面那层 harness 终于成熟 —— 作者的判断是：最后两个原因叠在一起，而且那一刻它们的曲线正好交叉了。

NOV 2022 OCT 22 FEB 23 SPRING 23 2024 END 24 FEB 25 vat CHATGPT ReAct Toolformer AutoGPT Cursor / Copilot o1 $1B Claude Code curves cross an inflection that nobody could pin down CHRISTMAS 2025 — THE JUMP
OCT 2022
ChatGPT — 缸中之脑
只会 next-token 预测，没有工具、没有搜索、没有推理。它被锁在自己的训练数据和 prompt 里。
OCT 2022
ReAct — 写在纸上的 harness
prompting 技术定义「agent loop」：reason → act → observe → repeat。那时没人叫它 harness。
SPR 2023
AutoGPT — 过早自主
harness 曲线猛冲，模型曲线跟不上。95% 步可靠 × 20 步 ≈ 36% 任务成功。
2024
Cursor / Copilot — 把回路让给人
把 harness 曲线压低，人拿回路，模型帮人加速。Devin 想把自主权交回去，但只有 15% 成功率。
END 2024
o1 — 缺口第一次反转
第一个 reasoning 模型。模型曲线反超，出现 capability overhang。
FEB 2025
Claude Code — 曲线交叉
扔掉 IDE，回到 terminal，把 bash 和文件读写直接交给模型。六个月做到 ~$1B ARR。

那个跳变，不是单一事件。它发生在「模型 + harness 一起工作」的中间地带 —— 没人能给这一步写 model card，因为它根本不是一个可被描述的离散事件。

§ 02 · 两条曲线

一条 模型问的曲线，
一条 harness 能给的曲线。

两根线之间的缺口，就是 agent 在那一刻的能力。缺口越小，agent 越能用。Kaiser 看到的跳变，就是缺口在那一刻被合上了一点 —— 而且是用一种不能用 model card 描述的方式合上的。

CAPABILITY TIME → 2022 2023 2024 2025 2026 HARNESS HARNESS MODEL GAP crossover · 2025 AutoGPT overshoot retreat to human-in-loop
harness curve
harness 问模型做的事。一开始靠 prompt 拼；后来能直接给 bash 和文件读写。
model curve
模型 能交出来的事。一开始只能 next-token；o1 之后 reasoning 进入权重；codex-1 用 RL 在真实环境里训练。
the gap
两条线之间是 agent 在那一刻的能力。缺口会被两种方式合上 —— 模型进步，或者 harness 进步。
the crossover
2025 年初，模型曲线反超 harness 曲线 —— Claude Code 就是为这个瞬间造的。

§ 03 · Harness 1.0 — 螺栓时代

在模型外面，一圈一圈绕。

这是 Bolt-On Era —— harness 作为外挂挂在模型外面。它能跑多远取决于螺栓拧得多紧，结果就是 18 个月的来回拉锯：模型先承受不住就退一退，harness 重新逼近，模型再涨上来。

2022.10
paper

ReAct — agent loop 写在 prompt 里

第一次把「推理 → 行动 → 观察 → 重复」当作 prompting 技术写下来。两条曲线都接近 0，缺口几乎不存在 —— 大家都在从零起步。
2023.02
meta

Toolformer — 工具用 应该被训练

Meta 的论文暗示，工具调用不应该靠 prompt，而应该在模型权重里学会。这是 Alan Turing 那个「先有想法、再造机器」的早期版本。
2023 春
overshoot

AutoGPT / BabyAGI — 过早自主

harness 曲线猛冲。模型被当作「自主员工」来用，但模型那时还只是脆弱的 next-token 预测器。loop 不会给模型加能力，它只放大模型已有的能力 —— 低于阈值就放大错误：95% × 20 步 ≈ 36%。
2023 - 2024
retreat

Cursor / Copilot — 把 回路 交回人

第一个 AI IDE 认识到：把整个 loop 给模型不行。改方案 —— 人拿 loop，模型帮人加速。Devin 想再交回去，Answer.AI 的测试：成功率 15%。这不是怯懦，是正确的动作。
2024 末
inversion

o1 — 缺口第一次反转

第一个 reasoning 模型。模型曲线反超 harness 曲线，开始出现 capability overhang：模型能给出来的，已经超过 harness 敢让它用的了。
2025.02
crossover

Claude Code — 曲线 交叉

Boris Cherny 和团队不是为当下这个模型造 Claude Code —— 是为下一代模型。扔掉 IDE，回到 terminal，给 bash，给文件读写，权限规则替代每步审批。六个月做到 ~$1B ARR。

§ 04 · 一个循环

训练 → 吸收 → 删除 → 重复。

这是 harness 演化的真正节拍。模型在 harness 的环境里被训练，学会了 harness 的能力，然后工程师把被学会的那部分删掉 —— harness 一圈一圈瘦下去，模型一圈一圈胖上来。

train IN HARNESS absorb INTO WEIGHTS shed FROM PROMPT repeat NEXT CAP the loop of model × harness RL INSIDE THE HARNESS PRODUCTION BY REDUCTION

01 · trainRL 跑进了 harness 内部。codex-1 的训练方式是「在各种环境里的真实编码任务上跑强化学习」 —— 工具调用开始从内部学会，而不是从外面 prompt。

02 · absorb两条曲线开始交织。GPT-5.1-Codex-Max：「第一个原生训练到能跨多 context window 操作、用 compaction 的模型」 —— compaction 进了权重。

03 · shed模型学会 harness 能力之后，harness 就能把那块 scaffold 删掉。Thariq Shihipar：Claude Code 团队最近删了 80% 的 system prompt。

04 · repeat模型爬到下一个它还做不了的事，然后整个循环再转一遍。这就是 AI 工程师要建设的未来 —— harness 演化的速度，等于你能删掉多少。

§ 05 · 用减法生产

harness 演化的速度，
等于你能删掉多少。

Harness-Bench 拿同一个模型跑同一组 106 个任务，只换 harness —— 分数从 52.4 跨到 76.2，差 23.8 分，模型没动。agent 的一半就是 harness。OpenAI 在 ARC-AGI-3 上做了一样的事：只加保留推理 + compaction，GPT-5.6 Sol 的分从 13.3% 翻到 38.3%。

23.8pts
Harness-Bench spread
同一个模型在 106 个任务上跑分 —— 52.4 到 76.2。模型没动，harness 一半。
×2.9pts
ARC-AGI-3 lift
GPT-5.6 Sol 只加保留推理 + compaction —— 13.3% 到 38.3%。RL 进了 harness 内部。
80%
system prompt deleted
Claude Code 团队删掉 80% system prompt，能力不变。harness 在按吸收速度变瘦。

§ 06 · 下一波被吃掉的

把模型还在 prompt 里做的事，
继续往里搬。

一切 harness 能力最后都会进权重。问题是 —— 下一波是哪些？作者列了三个：多 agent 编排、工具选择、记忆。还有一种更野的方向：self-improving harness —— harness 自己也能像模型一样被训练。

HARNESS · TODAY → multi-agent orchestration → tool selection → memory → self-improving harness → ? absorb MODEL · WEIGHTS ✓ next-token ✓ tool calling ✓ reasoning ✓ compaction … EVERY HARNESS CAP WILL EVENTUALLY GET ABSORBED
tool calling
从 ReAct 的 prompt，到 Toolformer 的暗示，到 codex-1 在真实环境里 RL 训练。已经进权重了。
compaction
GPT-5.1-Codex-Max：原生训练到能跨多 context window 操作。压上下文进了权重。
multi-agent · tool sel · memory
下一波被吃的候选 —— 全都还在 prompt 里。再往下，连 harness 自己都开始像模型一样被训练。

§ 07 · 删到最后剩下什么

模型不会吸收的，
就是最后剩下的那部分。

把模型能吸收的全删了，手里还剩什么？剩下的全是人本的能力 —— 权限、身份、信任、可读性。模型如果把权限吸收进自己，权限就被消解了。吸收不是终结 harness，吸收是反转 harness。

01

权限 permissions

谁能调哪些工具、能不能写到磁盘、能不能执行 bash。模型如果「学会」权限，权限就被溶进模型 —— 那不是权限，是隐式的偏好。

02

身份 identity

这个 agent 是哪个用户 / 哪个团队 / 哪个公司。模型吸收身份，会变成「我是所有人」 —— 那不叫身份，叫混乱。

03

信任 trust

人在信任这个 agent 之前需要什么？可解释、可审计、可追责。模型如果吸收信任，就变成「你信我就完了」 —— 那是信仰，不是工程。

04

可读性 legibility

人在问「它为什么这么干」。模型吸收可读性，就是在替自己写日志 —— 那不是 legibility，是 narrative。

§ 08 · 注意力接口

harness 长出来，
变成了模型的注意力接口。

harness 最初是人的接口通向模型 —— 从 chatbox 到 IDE 到 terminal。如果模型把「对着电脑」的能力吸收掉，下一步就是往上走一层：harness 变成模型的接口通向人的注意力。

PAST · AGENTS.md

告诉 agent 怎么用你的代码

AGENTS.md 是 agentic AI 行业的默认产物。它告诉模型：你的代码结构、命名约定、不要做的事。

AGENTS.md tells the agent how to work with your codebase.

WITHIN A YEAR · ATTENTION POLICY

告诉 agent 怎么用你

预测：一年内，每一家做 agentic AI 的公司都会发一个「human attention policy surface」。它告诉 agent —— 什么时候可以打断你、什么时候继续干、哪些决定自己拿、哪些要你拍板。

The attention-interface will tell the agent how to work with you.

而且 —— 它会像 harness 里所有其他东西一样，变成系统里一个可以学习的组件。每一次纠正都变成数据，每一次打断都变成信号。

§ 09 · 缺口的迁移

缺口没有消失，
它跨过人，又出现了。

模型吸收 harness 之后，模型和 harness 之间的旧缺口并没有消失 —— 它穿过人的边界，迁移到另一边，长出一对新的曲线、一个新的缺口。新的缺口是：agent 问人的事，和 人能回答的事，之间的距离。

OLD · MODEL × HARNESS (CLOSED) MODEL HARNESS MIGRATE NEW · AGENT × HUMAN (OPENING) AGENT ASKS HUMAN ANSWERS NEW GAP "tokens abundant · human attention scarce"

Ryan Lopopolo 在 Latent Space 的「Extreme Harness Engineering for Token Billionaires」那期里说 ——

「我团队唯一真正稀缺的东西，就是同步的人类注意力。」

token 变得又多又稳，但人被困在稀缺的注意力上。Anthropic 的 long-running agent progress files、agentic approval queues —— 都是这种趋势的早期迹象。

模型不再面对电脑，模型面对的是 人的注意力。这条新边界线会变成接下来一年里 agent 行业真正要解决的事。

余响

模型从缸中之脑出发，
harness 给了它身体，
身体又慢慢溶进脑子里。

留给我们去建的，
是那个永远不会被模型吸收的东西 ——
人的注意力的接口。

The Evolution of the Agent Harness · Dan McAteer · Latent Space · 2026.08.22