文章指出大多数人在错误的层面修复 AI Agent 问题：模型失败时反复改提示词、换模型、加工具，却忽略了真正的问题是模型周围的环境——Harness。Harness Engineering 是构建围绕模型的系统，决定模型能看到什么、能做什么、记住什么、如何判定成功与失败。作者提出六大实践：将请求转化为带完成条件的任务契约；用渐进式披露提供项目地图而非塞满上下文；在模型与工具之间设置网关校验与策略授权；将记忆（事实、决策、状态、经验）移出对话外部存储；以可观测证据作为任务完成的门槛，优先用确定性检查。好的 Harness 能提升每一次运行的质量。
文章指出许多 Agent 失败并非模型推理问题，而是环境（Harness）设计缺陷。作者系统阐述了 Harness Engineering 这一工程学科：将模糊请求转化为包含目标、范围、约束、验收标准和审批要求的任务契约；通过渐进式披露提供项目地图而非信息轰炸；构建带校验和风险控制的工具网关而非工具堆砌；分离大脑（推理）、双手（执行）和历史（状态）三大职责；将对话历史转化为包含事实、决策、进度和教训的持久化状态，从而将模型智能转化为可靠的工作成果。
本文探讨了在多个编码代理之间切换时产生的“重置税”问题，即代理间缺乏共享状态导致重复探索、决策冲突和效率低下。作者提出解决方案：不复制整个会话，而是创建一个可移植的、经过审计的任务契约，记录已验证的任务状态、约束和决策。文章强调模型与工具链应分别路由，并指出共享状态应包含权威数据而非未经验证的信息，以避免上下文过载和记忆污染。通过小型、版本化的契约，不同代理可以无缝协作，同时保持各自的优势。
