Less is More: 当精简的 Harness 击败了功能完备的对手
文章通过 Databricks 的基准测试发现，精简的 Harness Pi 在任务完成率上与 Claude Code 持平，但上下文消耗仅为其 1/3。作者对比了信息最大化与信息精简两种设计哲学，指出精简的上下文、结构化摘要和信任模型能力的策略，能有效减少注意力分散，提升模型表现。
相关文档
Self Evolving Harness With Memory：编码智能体的自进化与记忆机制
文章探讨如何在不训练模型的前提下，让编码智能体在后续任务中持续变好。作者将编码智能体拆解为“冻结模型 + harness 程序”，并以 Pi 和 Hermes 为例说明通用 harness 的循环结构：组装提示、调用工具、追加结果、压缩上下文。核心观点是，真正带来“自进化”的并非内层循环本身，而是引入第二个写入者——在回合结束后或任务进行中，由额外代理将经验写入 MEMORY.md、SKILL.md 或四类存储，使下一个上下文窗口能加载这些持久化知识。Hermes 通过 fork 代理定期写记忆与技能，Prime Agent 则用 /refine 从轨迹中做最小可回滚编辑。两者都保留不可变基础提示，只改变下一窗口内容。
半年后的今天，我怎么用 AI 写代码
作者回顾了半年间 AI Coding 实践的演进：三月通过 Harness Engineering 给模型加约束，八月换成更轻量的 Pi 减少上下文注入，如今实践进入稳定态。文章介绍了当前工具栈，包括 matt skills（需求对齐、spec 拆解、TDD 实现）、ponytail（消除 AI Slop）、subagent 加 worktree 并发开发等。作者提出完整的日常 Coding SOP，从脑暴对齐到垂直切片再到 subagent 实现和人工 Review，并指出人工 Review 已成为新的瓶颈，介绍 Ensemble Review 多模型交叉审查方案。最后强调软件工程基本功与工程直觉在 AI 时代愈发重要。
一文搞懂 Agent Harness：如何给 AI 大脑装上身体
本文基于对 ShareAI 创始人新璐的访谈，深入解读了 Agent Harness 的核心概念与架构设计。文章指出，Harness 是模型之外赋予 AI 行动能力、记忆与协作能力的“身体”。通过剖析 Claude Code 的三层结构——执行层、记忆层与治理层，作者阐述了从“流程驱动”向“模型自主决策”转变的工程实践。文章强调，优秀的 Harness 应提供类 UNIX 的稳定环境与结构化的记忆机制，从而释放模型的潜能，使其成为真正的智能合作伙伴。
Claude Code 源码背后的设计哲学：95% 代码都是 Harness
本文深入分析了泄露的 Claude Code 51 万行源码，指出其核心优势并非 LLM 模型本身，而是围绕模型构建的“Harness”工程体系。文章揭示了“先读后改”、“Fail-closed”、“四态权限管理”等设计原则，阐述了 Anthropic 如何通过上下文压缩、Prompt 编译优化和记忆系统，在承认模型局限性的基础上，通过架构约束实现了极高的准确性与安全性。
What is a "harness"?
文章系统解释了 AI 领域中 harness（套件/执行框架）的概念。作者指出 LLM 默认只能生成文本，要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单，这一切组成了 harness。文中区分了界面（如 Claude Code 的 TUI/GUI）与底层 harness（如 Anthropic Agent SDK、Codex App Server），并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱'，让代码可以在外部运行，以及 agent 的定义：LLM 与 harness 的结合体。
万字长文｜DeepSeek Harness 从 0 到 1：一切皆插件的 Agent，到底强在哪、怎么上手
本文是一篇面向小白的 DeepSeek Harness（DSH）完整上手教程。作者介绍了 DSH 的核心特点：门槛低（DeepSeek 账号登录即用）、一切皆插件（连 Agent 循环都可替换，社区插件超 6000 个）、过程可回放（轨迹功能）。文章详细讲解了下载安装、登录方式（账号与 API Key 两种）、界面各功能入口（模式、权限、模型、推理强度等）的含义，并分析了计费方式与省钱技巧，同时提醒它仍是预览版，未经过安全审计，需注意数据安全。后续还将涵盖插件市场、原理拆解、实战练习及与 Pi、Claude Code、Codex 的对比。
超简单 PI Agent，入门到精通，个人智能体的王者
本文是一篇面向新手的 Pi Coding Agent 全面入门教程。Pi 是一个跑在终端里的极简 AI 编程智能体框架，定位为'最小智能体外壳'：内核只保留基本工具循环，计划模式、子智能体、权限系统等能力全部拆给扩展。文章详细介绍了安装方式（官方脚本、npm、Nix）、界面与常用快捷键、模型配置、四种使用模式（交互、打印/JSON、RPC、SDK）、技能/扩展/提示词模板/主题的扩展体系，以及树状会话管理。作者重点总结了七个常见坑：无内置权限系统需容器隔离、默认无 plan mode、npm 不锁传递依赖、grep 等工具默认关闭等。Pi 支持 15 家以上模型商，MIT 协议，与 Claude Code、Codex 是两条路线：要开箱即用选成品，要可自由定制的个人智能体选 Pi。
他们怎么看待其他编码 harness
本文是 Pi Durable 访谈译文第三篇，Mario Zechner 与 Armin Ronacher 讨论各类编码 harness 的体验。他们聊到 AMP 的 Orbs 设计与团队愿景、OpenCode 的持久化探索、DeepSeek harness 的插件架构与极简体验、以及 Claude Code 的自我修改趋势与稳定性问题。还谈及 Pi Mobile 让手机本地运行 agent 的愿景、Web 插件系统的安全挑战（XSS、沙箱隔离）、对 MCP 支持的转变，以及让非开发者上手 agent 的 onboarding 难题和对 AI 技术真正落地应用的期待。
Pi Durable vs. OpenCode: 架构对比
本文对比了 Pi Durable 与 OpenCode 两种编程 Harness 架构。传统 Harness（如 Claude Code、Codex、OpenCode）采用会话式架构：运行中的 Agent Loop 驱动模型调用与工具执行。Pi Durable 则将模型生成、工具调用、压缩及应用工作全部建模为持久化任务，由调度器基于存储状态决定执行，实现崩溃恢复与进程解耦。文章从五个维度展开：Agent Loop 序列化到存储、工作可调度、应用状态与对话的原子绑定、压缩移出关键路径、以任务图形式实现委托协作，展示了持久化任务架构带来的全新 Harness 能力。
从零开始理解上下文压缩
本文译自 Earendil Engineering 的《How Compaction Works in Pi》，讲解编程 Agent（如 Pi、Claude Code、Codex）中的上下文压缩机制。LLM 的上下文窗口有限，随着对话和工具调用不断积累，请求会超出上限。解决方案之一是压缩：用 LLM 生成的摘要替换较早的历史记录，同时原样保留近期消息。文章详细介绍了 Pi 的实现——触发时机（接近上限自动触发或 /compact 手动触发）、token 预算、压缩提示的设计（像一份交接简报，包含目标、进度和关键决定），以及压缩与提示缓存的关系：压缩会打破前缀缓存，导致后续请求需重新计算。
How to Make an AI Native Company
作者基于一年运营 AI 原生公司并帮助客户转型的经验，提出打造 AI 原生公司的七步方法论：先清理数据与上下文（建立 Company AI Brain），再构建共享基础设施而非零散自动化；让全员在 Harness（如 Claude Cowork、Codex）中工作；用技能、上下文和新模型解决大部分工作；全员教育并培养 Champion 推动进化；自定义 Agent 最后才建；并保持持续尝试。作者还破除 Agent 神话，指出'人机三明治'模式依然存在，人的角色随信任与上下文积累而变薄。
从零开始理解 Agent Harness（What is a Harness）【译】
本文译自 Earendil 的 What is a Harness?，以攀岩安全带类比 Agent Harness，面向初学者介绍其概念与工作原理。文章指出 Agent = Model + Harness，Harness 是为 AI 模型提供运行环境的软件，核心职责包括四点：提供系统提示、提供可调用的工具、构建 Agent 循环、以及作为转换层支持多种 AI 模型。作者通过比较小学排名并撰写建议邮件的示例，演示了 Agent 循环的完整流程。文章还强调开源中立 Harness（如 Pi、OpenClaw 等）能将自主权交还用户，用户可以拥有、改造自己的 Harness，自由选择模型并比较结果与成本，从而避免对 AI 实验室单一应用的依附。