大家好,我是 WeiWill,深耕软件工程一线,专注 AI 应用落地与 Agent 开发。
DeepSeek 发布 Harness 开发者预览版以后,Agent 的工程化讨论又热了起来。
很多人会先关注它接入了多少工具、插件能力有多强、能不能把模型能力继续放大。但我更关心另一个问题:当 Agent 真正进入工作流以后,它能不能稳定把事情做完?
今天想借这个变化,聊一个很老但仍然管用的判断:木桶短板理论放到 Agent 工程里,依然成立。
模型决定 Agent 能走多远,Harness 决定它能不能稳定走到终点;真正的瓶颈,往往是任务链上最弱、最危险,或最容易放大错误的环节。
思维导图

Harness 不是工具清单
很多人第一次接触 Harness Engineering,会把它理解成给模型接上 MCP、Skills、命令行、浏览器和业务接口,让 Agent 拥有更多能力。
但这只是起点。
Harness 不是继续给模型堆工具,而是给整条执行过程加上规则:让 Agent 知道该看什么、能做什么、做完怎么检查,出错后怎么停下来或继续。它至少要回答这些问题:
- 目标和完成标准是什么?
- Agent 应该读取哪些资料和当前状态?
- 工具的输入、输出和错误如何定义?
- 哪些动作可以自动做,哪些动作要先确认?
- 结果如何验证?
- 失败后从哪里恢复?
- 什么时候必须交给人判断?
因此,Harness 不是某一个框架的名字,也不是工具越多越好。它的价值在于让每一步更清楚,出错后能查、能停、能继续。
模型越强,短板为什么越明显?
模型较弱时,失败通常发生得很早:代码不会写、工具不会选、问题没理解,用户很快就能看出来。
模型变强之后,它能连续执行更多步骤,也更容易跨过原本需要人工确认的节点。错误不再只是一段错误文本,而可能继续修改文件、调用接口、写入数据,再把错误结果传给下一个系统。
一条真实的 Agent 任务通常要经过这些步骤:
接收任务 → 获取资料 → 制定计划 → 选择工具 → 执行动作 → 处理结果 → 检查结果 → 交付输出
我之前做电池产线系统时,也遇到过类似的多工序依赖问题。
电池要经过多道工序。单独看每一道工序,可能都没有明显问题;但前面留下的一点小偏差,会被带到后面。经过几道工序叠加后,整条产线的最终良率仍然可能上不去。
Agent 任务也是一样。它看到的资料、使用的工具、拥有的权限、结果检查和失败恢复,每一环看起来都能工作,不代表从接到任务到最后交付就一定可靠。我们不能只盯着某一步有没有报错,而要看整条链最后有没有得到可用结果。
假设一项任务要经过 6 个关键步骤,每一步成功率都是 95%,从头到尾都成功的概率约为:
0.95⁶ ≈ 74%
如果其中一个步骤只有 70%,整体成功率就会降到:
0.95⁵ × 0.70 ≈ 54%
真实系统里的步骤也不是彼此独立的。一个地方出了问题,后面的步骤可能都会受影响。所以,Agent 系统不能只看模型得分或一次演示,而要看整条任务链最后交付了什么。
Agent 最容易在哪些地方出问题?
1. Agent 看到的资料不对
很多时候,Agent 不是不会做,而是拿着错误资料做了看起来很正确的推理。
这里说的“上下文”,就是 Agent 看到的代码、文档、历史记录和当前任务状态。
假设库存状态已经从两个值扩展成四个值,但 Agent 读取的接口说明仍是旧版本。它完全可能写出结构清晰、测试通过的代码,却把新增状态当成异常分支处理。
这里的问题不在模型能力,而在上下文本身。
准备资料也不是把更多内容塞给模型。资料越多,成本越高,互相矛盾的内容也越多。
真正需要的是“不必最多,但够用、可信的资料”,至少要说清楚:
- 这次要做什么,做到什么程度才算完成;
- 哪份资料更可信;
- 哪些旧资料已经失效;
- 当前代码版本和测试范围是什么;
- 资料互相冲突时听谁的。
如果 Agent 一开始看到的资料就是错的,后面的工具和测试越完善,错误反而越可能被顺利执行到底。这就是第一块短板。
2. 工具说明不清,Agent 容易误判
Agent 成功调用工具,只能说明调用过程没有立即报错,不能说明业务任务已经成功。
例如接口返回 HTTP 200,但响应体里的业务状态是失败。如果工具层只把 HTTP 状态告诉 Agent,它很可能把这次调用判断为成功。
这里说的“工具契约”,简单说就是把工具能接收什么、会返回什么、出错怎么办写清楚。工具说明越模糊,模型需要猜测的内容就越多。一个真正进入工作流程的工具,至少应该说清楚:
- 输入字段及约束;
- 调用前提;
- 成功后的可验证结果;
- 错误类型和处理方式;
- 超时意味着什么;
- 是否允许安全重试;
- 是否会造成无法撤回的影响。
MCP 和 Skills 可以让 Agent 找到并调用工具,但不会自动保证工具说明完整、返回值可靠。工具数量增加很快,可靠工具的建设却很慢,这里很容易形成新的短板。
3. 权限给多了危险,给少了做不完
Agent 需要权限才能完成任务,但完成一项任务需要的权限,通常远小于系统能提供的全部权限。
库存接口改造通常需要读取代码、修改指定模块、执行测试、查看构建日志,却不需要删除整个项目、读取生产密钥、修改线上数据库或自动发布生产环境。
更稳妥的方式是按任务划分权限:
- 读操作默认开放;
- 普通写操作限制范围;
- 外部发送和业务写入需要额外确认;
- 删除、发布、付款等不可逆动作必须人工批准;
- 临时权限随任务结束失效;
- 密钥只提供给真正需要它的工具。
这里的目标不是让 Agent 接管所有动作,也不是每一步都让人审批。低风险动作,比如读取资料、整理格式、运行测试,可以自动完成;高风险动作,比如删除、发布、付款、对外发送,就应该在关键节点停下来,让人明确确认。这样会多一个确认步骤,但风险会停在真正需要控制的位置。
4. 看到输出,不代表真的做完
Agent 修改了代码、生成了文件、调用了接口,表面上看起来流程已经结束。但工程系统不能把“有输出”当成唯一完成标准。
库存接口的单元测试全部通过,依然可能存在重复扣减、并发超卖、异常分支没有释放锁、新字段不兼容旧客户端、日志泄露敏感信息等问题。
更完整的检查至少分为四层:
- 基本检查:文件存在、格式正确、代码可以编译。
- 功能检查:给定输入后,输出符合预期。
- 业务检查:关键业务规则确实被满足。
- 影响检查:没有重复写入、错误发送或额外修改。
一个重要原则是:生成和检查尽量分开。
优先使用测试、格式校验、静态分析、数据对账和权限审计等不依赖模型自我判断的检查。无法完全自动判断时,再增加独立检查或人工审批。没有验证的自动化,只是把错误生产得更快。
还有一个问题:出了事,谁对最终结果负责?
模型可能由 AI 团队负责,工具由后端团队负责,权限由安全团队负责,检查标准由产品和测试团队负责。每个部分单独看都没有问题,但整条流程失败时,可能没有人对最终结果负责。
这正是 Harness Engineering 和普通功能开发的区别:它关心的不是某个组件有没有报错,而是任务能不能从开始一直走到交付,并且交付结果真的可用。
每条重要 Agent 流程都需要明确一个对最终结果负责的人或团队,持续关注:
- 从接到任务到交付的成功率;
- 需要人接手的比例;
- 失败集中在哪个环节;
- 单次任务成本;
- 高风险动作造成的影响;
- 模型或工具升级后的结果退化;
- 用户最终是否拿到了可用结果。
不要把所有环节都做得一样重
不同任务的风险不同。整理会议记录和修改生产配置,不能使用同一套工程标准。
我会先判断现在最需要解决的是哪一类问题:
- 一旦出错就很难挽回:比如自动付款、生产发布、数据删除。优先补权限、审批和恢复方案。
- 经常发生但单次影响不大:比如资料过期、工具说明模糊、格式不稳定。优先整理输入和增加自动检查。
- 会把小错误越放越大:比如重复重试、写入范围太大、循环没有停止条件。优先防止局部问题变成事故。
- 使用量一大才暴露:比如并发冲突、成本、日志存储、接口限流和审批积压。准备扩大使用前就要处理。
这些问题会随着任务变化。一块短板补齐后,新的瓶颈通常还会出现。
所以 Harness 要做的,不是把每个组件都做得很复杂,而是把当前最影响交付的那块短板先补上。
总结
Harness 时代,模型仍然重要,但模型已经不是唯一变量。
模型抬高 Agent 的能力上限,Harness 决定它能不能稳定交付。一条流程是否真正可用,最终往往不由最强的能力决定,而由那块最容易被忽视的短板决定。
如果要把 Agent 从演示带进真实工作流,第一步不是急着接更多工具,而是先问清楚:这条任务链里,最容易拖垮交付的是哪一环?
我是 WeiWill,深耕软件工程一线,专注 AI 应用落地与 Agent 开发。