Harness之后，只剩两种公司
什么是 Harness？
Harness，原意是马具，用来引导马匹力量的装置。在 AI 领域，它指的是一套围绕 AI 模型设计的操作系统，用以引导、约束、管理模型的行为，使其更高效、可靠地完成任务。2026 年，Harness Engineering 成为了 AI 工程圈最热门的技术概念之一。
它包含以下几个关键组成部分：
- 上下文管理：决定 AI 可以看到哪些信息、不能看到哪些，避免信息过载或逻辑偏离。
- 工具系统：赋予 AI 实际操作能力，如读取文件、运行程序、调用 API、搜索网页等。
- 反馈机制：让 AI 在执行中不断获得人类或系统的反馈，持续改进。
- 约束与护栏：定义行为边界，防止 AI 在生成过程中探索无效路径。
论文《Building Effective AI Coding Agents for the Terminal: Scaffolding, Harness, Context Engineering, and Lessons Learned》中提出，一个 AI 代码代理（coding agent）= AI 模型 + Harness。这个公式揭示了 AI 实际生产力的来源：Harness 的质量决定了 AI 的产出质量。
Harness Engineering 的核心实践
Harness Engineering 并不是简单地封装模型，而是一套系统性的工程方法，强调结构化、模块化和迭代能力。
它的工作流程可以概括为：
- Agent 遇到困难 →
- 人类诊断问题 →
- 改进 Harness →
- Agent 下次避免同类错误 →
- 新的错误出现 → 循环继续
这种“AI 犯错、人类补上、Harness 增强”的闭环机制，使得 AI 代理可以持续进化。每一次迭代都提升了代理的稳定性与效率。
关键做法包括：
- 每次出错后加一条规则，逐步构建出更健壮的系统。
- 注入环境上下文，在任务开始前让 AI 了解当前工作目录、历史记录、权限边界等。
- 设置防迷路机制，如检测 AI 是否在反复修改同一个文件。
- 引入自我验证流程，强制在完成任务前进行检查。
这种实践不仅提高了 AI 的执行力，也让开发者的工作变得更高效、更系统。
行业对 Harness 的共识与分歧
虽然行业已经基本认可 Harness 的重要性，但在具体实现上，仍然存在巨大分歧。
投资机构 Latent Space 在 3 月的一期专题分析中，将整个行业分为两大阵营：
- Model Harness 派：认为模型的性能取决于外部系统的设计，模型本身只是基础。
- Model-centric 派：坚持模型能力是核心，Harness 只是辅助工具。
一些前沿公司已经通过 Harness Engineering 显著提升了 AI 的生产力。例如：
- Stripe 内部的「Minions」系统，是目前最大规模的 AI 编程实践之一。
- Peter Steinberger 用轻量级 Harness，让 AI 代理在代码生成任务中表现异常出色。
- Vercel 限制 AI agent 可用的工具数量，反而提高了执行效率。
这说明，Harness 的设计哲学正在影响 AI 工程的架构选择。Noam Brown 提出的“Harness 要轻，要模块化，要随时准备被拆掉重做”也逐渐成为主流共识。
a16z 的残酷现实：软件公司只剩两种选择
Harness Engineering 不只是技术层面的讨论，它也正在推动软件公司战略层面的剧变。
风投机构 a16z 在 2026 年的一篇报告中指出：
There are only two paths left for software.
路径一：AI 驱动的新增长引擎
不是在旧产品中加几个 AI 功能，而是要用 AI 构建新的收入产品。文章指出，真正成功的 AI 转型必须满足以下条件：
- 在 12 个月内拉动整体收入增速约 10 个百分点。
- 重新定义产品边界，构建全新的用户交互方式。
- 不再是“模型+界面”，而是“模型+Harness+流程重构”。
这要求公司必须重新梳理内部的业务流程文档、客户反馈、操作日志、历史工单等“散落在组织角落”的数据，将其封装为可复用的 AI 输入。
路径二：转型为高利润效率型公司
如果你看不到用 AI 拉动新一轮增长的可能，那就必须果断转型，接受不再高速增长的现实。
- 追求真实利润率（40% 以上）。
- 压缩组织成本，去掉冗余结构。
- 将 AI 看作辅助工具而非增长杠杆。
这条路虽然不性感，但却是很多老牌软件公司的理性选择。AI 的冲击正在迫使公司重新思考盈利结构和运营方式。
Harness 与公司未来的关联
Harness Engineering 正在成为衡量一家公司是否具备 AI 转型能力的关键指标。
- 一家公司是否能系统化整理其业务上下文？
- 是否具备模块化、可迭代的系统架构能力？
- 是否有快速构建和重构 AI 工作流的机制？
这些问题决定了公司是能靠 AI 打出新增量，还是只能维持现有结构、追求效率优化。
这也解释了为什么 a16z 说“没有中间态”：如果你不能用 AI 重新定义产品和增长路径，那你的业务模式就会逐渐被边缘化。
AI 时代的新公司分野
自 Harness 之后，软件公司只剩下两种：
- AI 增长型公司：以 AI 为核心构建新产品、新流程、新收入模型。
- 效率驱动型公司：接受增长放缓，专注于利润率、运营效率、成本控制。
中间态的公司，既没能在 AI 上做出真正的增长，又不具备足够的盈利能力，在未来几年将最难生存。
未来：Harness 将反哺模型
Harness 不只是 AI 的操作环境，它还可能成为模型训练的反向输入源。
Philipp Schmid 提出：
- Harness 捕获的 AI 执行轨迹、失败模式、约束冲突，是高质量的训练数据。
- 模型可以从这些“失败—修复”的反馈中，学会更准确地预测与执行。
这意味着未来 AI 模型的训练将不再是单向的：从海量数据中学，而是可以从高质量、结构化的失败路径中学。
Harness Engineering 将从“限制模型”的系统，变成“指导模型”的系统，甚至可能发展出：
- 动态调整的 Harness 系统
- 与模型协同进化的反馈机制
- AI 工作流的团队协作架构（如 Paperclip 项目）
AI 的发展正在从“模型至上”走向“系统驱动”，而 Harness，正是这场变革的核心。
接下来，软件公司的命运，将取决于你对它的理解与运用。