Anthropic Harness 发布！Harness 变成了产品

Agent = Model + Harness。

✍️ 作者: 大刘
📝 编辑: 大刘
🎨 排版: 大刘

就在上周，Anthropic 公测 Claude Managed Agents——一个 AI 替你打工一小时，只要 8 美分（约 5 毛 6）。

LangChain 工程师 Vivek Trivedy（Viv） 在博客里给过 agent 一个公式，这次 Anthropic 直接把它做成了产品：

Agent = Model + Harness

模型提供智能，Harness 让这个智能能真正投入生产。

搭一套生产级 Harness 要处理沙箱执行、身份验证、跨会话持久化、端到端追踪——按 Anthropic 自己的话说，这是几个月的基础设施工程。Anthropic 这次把这些全包了，按 session-hour 卖给你。

今天这篇把官方工程博客 + 我自己跑通一次 Managed Agents 的实测全摊开：Harness 是什么、为什么过期、Anthropic 怎么解的、客户跑出了什么数据、对你意味着什么。五件事，一件件拆。

一、Harness 是什么：5 个组件 + 4 个能力

先说 Harness 到底解决了什么问题

原生 LLM 本质上只会做一件事：接收文字，吐出文字。

它自己跑不了代码——你让它"写一段 Python 处理这个 Excel"，它只能把代码打印给你，真正执行还得你自己复制到 IDE
它连不上任何真实系统——Slack 看不到、GitHub 动不了、公司内网 ERP 更别提
它记不住跨对话的上下文——今天聊的明天就丢，一个长任务跑到一半中断就从零开始
它不知道"先干什么后干什么"——给一个多步骤任务，它会卡在第二步问你"接下来要我做什么"

换句话说，原生 LLM 是一个只能在对话框里说话的天才，而绝大多数真实工作不在对话框里。

Harness 就是把"只会说话的 LLM"接到"真实工作"上的那一层。 它在模型外面包一层基础设施——帮它跑代码、接工具、管权限、存记忆、决定执行顺序——让一个只能在对话框里说话的 LLM，变成一个能真正把事办成的 Agent。

模型负责"能不能想明白"，Harness 负责"能不能把事办成"。

这也是为什么 LangChain 工程师 Vivek Trivedy 的那个公式 Agent = Model + Harness 如此精炼——少了 Harness 这一项，模型再强也只是个聊天框。

Harness 的 5 个组件

Harness = 让模型在生产环境里干活的整套基础设施。 拆开就是 5 个组件：

沙箱（Sandbox）——Claude 写的代码有地方跑，崩了不污染主系统
身份与权限（IAM）——哪些 API 能调、哪些数据能读，写在 token 里
工具接入（MCP）——Slack / Excel / GitHub / 内网 ERP 接成统一接口
流程编排（harness loop）——拿到任务先干啥后干啥的状态机
跨会话状态（session store）——上下文窗口之外的事件数据库，断连不丢

这 5 件事不是智能问题，是工程问题。模型再聪明也替代不了一张 token 和一本事件日志。

Anthropic 把这 5 件事打包成 Managed Agents，对外承诺 4 个核心能力：

生产级 Agent——安全沙箱、身份验证、工具执行平台全包
长运行会话——自主跑数小时，断连不丢状态
多 Agent 协调——主 Agent 派生子 Agent 并行
可信治理——作用域权限、身份管理、执行追踪

二、Harness 是会过期的

Anthropic 自己先吃过一次亏。

他们早期发现 Claude Sonnet 4.5 有个毛病——一感觉上下文快满，就提前草率收工，工程团队管这种行为叫 context anxiety（上下文焦虑）。

治法很顺手：给 harness 打一个补丁，每跑几步主动给 Claude 做一次"上下文重置"，把旧上下文压成摘要，腾出空间接着干。

补丁在 Sonnet 4.5 身上效果很好。然后他们把同一套 harness 套到 Opus 4.5 上——

Opus 4.5 根本不焦虑。那套精心设计的上下文重置方案，从救命补丁，变成了 dead weight（死重）。

你今天给 AI 搭的每一层脚手架，本质都在赌"模型做不到某件事"。而模型每半年就会让你输一次。

去年花三个月写的 prompt 模板、精心编排的 retry 逻辑、护住上下文的压缩方案——模型一代进化全变死重，你还得回去一行一行删自己亲手写的补丁。

所以 Anthropic 逼自己想通了一件事——

别再赌具体实现。赌那套"不会过期的接口"。

三、解法：把大脑和手解耦

Anthropic 的答案只有一句话：

Decoupling the brain from the hands——把大脑和双手解耦。

大脑 = Claude + harness 的循环；双手 = 沙箱、容器、各种工具；中间用几条永不变的接口连起来。大脑换、双手换，接口不变。

旧架构有三个具体故障

Anthropic 最早的实现把推理、harness 循环、执行沙箱全塞进一个容器。听着省事，结果撞上三个具体故障：

容器一挂 session 全丢——用户跑了 2 小时的 agent，容器一次 OOM，2 小时白干
debug 进不去——故障窗口只有 WebSocket 事件流，事件断了根本分不清是 harness bug、网络丢包还是容器掉线；想进 container shell 看现场，但里面有用户数据，进去就违规
prompt 注入直接拿 token——攻击者只要说服 Claude 读一下环境变量，API token 就到攻击者手里，拿着你的钱想开多少新 session 开多少

三个问题同一个病根：耦合太狠。

解耦之后：3 条永不变的接口

Anthropic 把容器砍成三块，每两块之间只用一条永不变的接口通信——

▸ execute(name, input) → string：大脑调任何"手"的唯一方式。名字 + 输入进去，字符串出来。这个接口根本不在乎那只手是啥——容器、MCP 工具、客户自研代码，甚至一台宝可梦模拟器。

▸ wake(sessionId)：harness 自己的续命接口。session 日志存在 harness 外面，harness 崩了直接起一个新的，wake 一下从上次那一步接着跑。

▸ getEvents()：session 的回看器。session 不再是"上下文窗口"，而是独立于上下文窗口的事件数据库——大脑可以按位置切片、倒回去重读、执行一个动作前再查一次。

三条接口同时带来三个收益——

安全：token 直接塞进 vault，沙箱里跑 Claude 代码的小黑屋全程看不到凭证，prompt 注入路径被物理阻断
恢复力：容器挂、harness 挂都不怕，起一只新的继续跑
延迟：p50 TTFT 下降约 60%，p95 TTFT 下降超过 90%

TTFT 是用户最敏感的"AI 在热机多久才开始说话"。砍掉 90% 的原因很简单：以前每开一个 session，哪怕你只想问一句话，容器也要先克隆 repo、启动进程、拉事件，你为一个可能根本用不上的沙箱预付了全部启动成本。解耦之后，只有真正要跑代码的 session 才 provision 容器。

最妙的是博客里的一句原话——

The harness doesn't know whether the sandbox is a container, a phone, or a Pokémon emulator.

这套 harness 完全不在乎它调的那只手是一个容器、一台手机、还是一台宝可梦模拟器。

不是玩梗——Anthropic 研究员真的拿 Claude 跑通了宝可梦。execute("pokemon", "press A") 扔进去，对 harness 来说和调一个 Python 沙箱完全等价。

而且这只是"一脑多手"。解耦之后还解锁了"多脑多手"——主管 agent 派任务给一群小工 agent。Notion Custom Agents 内测正在这么跑，由产品经理 Eric Liu 主导。

四、三组数据：同模型，换 harness 跑分翻倍

同一个模型，只换 harness，成绩能跳多少？

铁证一 · SWE-bench Verified 49%。 Anthropic 在 SWE-bench Verified 拿到 49%，用的就是 bash + 文本编辑器两个通用工具。设计哲学：给 Claude 通用工具让它自己组合，而不是为每个任务设计专用工具。

铁证二 · Anthropic 内部数据。 同样的结构化文件生成任务，用 Managed Agents 跑 vs 用普通 prompt 循环跑，任务成功率直接拉高 10 个百分点，越难的任务提升越大。模型一个字没换。

铁证三 · BrowseComp 浏览基准。 这是 OpenAI 2024 年 11 月发布的 1000 道题真实浏览评测——订机票、找论文、比价、查财报，每一题都要 agent 真的打开浏览器一步步点完。

Anthropic 拿同一个 Opus 4.6 跑了一遍：45.3% → 61.6%。

什么都没改，就多给 Claude 加了一层能力——让它自己决定哪些工具返回要塞回上下文、哪些过滤掉。这就是前面 getEvents() 接口的实战威力。

16 个点。1000 道题里原来做对 453 道，现在做对 616 道——相当于原来要 3 台电脑分头跑才能搞定的活，现在一台一次性搞定。

铁证四 · LangChain 自家评测。 LangChain 团队在自家 deep research 评测集上跑了同样的对照实验——同一个 Claude 模型，只换 harness：52.8% → 66.5%。模型没动一个字，成绩跳了 14 个点。

连一度刷屏的 Manus 团队都出来站台过——同一个模型，6 个月里把 harness 重写了 5 次，跑分翻倍。

五、Anthropic 把这套东西做成了产品

2026 年 4 月 8 号，Claude Managed Agents 正式公测。前面的三接口、TTFT 砍到脚底、宝可梦模拟器也能当手——Anthropic 全包了，你只管派活。

这里是官方说的 5 家客户跑出来的东西

客户负责人用 Managed Agents 干什么Vibecode联合创始人 Ansh Nanda工作流速度 ×10，原型直接进生产Sentry工程总监 Indragie Karunaratne从 bug 报告到 PR 一气呵成，工程师不用切上下文Notion产品经理 Eric LiuCustom Agents 私有 alpha 已跑通主管+小工架构AsanaCTO Amritansh RaghavAI Teammates 接进项目流，分配任务、跟进进度RakutenAI 业务总经理 Yusuke Kaji四个部门一周内完成部署

我自己跑了一次

光看文档没感觉。我按官方 SDK 贴了一段极简代码跑了一遍——

●●●from anthropic import ManagedAgent

agent = ManagedAgent(
  model="opus-4.6",
  tools=["fs", "shell", "web"],
  permissions=["read:code", "write:pr"],
)
agent.run("帮我把这个 repo 的 README 翻成英文并 open 一个 PR")

就这 6 行。

5 秒内 agent 启动，45 秒 clone 完 repo，2 分钟出 PR。 我桌面 tail -f 看日志，看它把"读 README → 调翻译 → 切分支 → 跑 lint → 发 PR"5 个步骤一次性串完，没有任何一步要我去补提示。

以前这种活我要手写 30 行 GitHub API 调用 + 一堆错误处理。现在，一行自然语言。

六、普通人的三条行动指南

讲了这么多，跟你有啥关系？三条，记牢。

第一，挑 AI 工具别只看模型，看 harness。

下次一个产品跟你说"我们用的是 Claude Opus 4.6"，回一句——

"你给它配了什么沙箱、什么权限、接了什么工具、怎么编排、怎么持久化？接口 MCP 兼容吗？能换模型吗？"

反例：很多打着 GPT-4 / Claude 旗号的 AI 写作助手，问它"有没有 sandbox？接 MCP 吗？session 能跑多长？"——三个词答不上一个的，就是聊天框，不是 agent。怎么验证？看产品官网/文档里有没有 sandbox / session / tool registry / MCP 这几个词。一个都没有的，就是赌当下模型能力的产品。

正例：Cursor 至少能答出三条——沙箱（本地 workspace 隔离）+ 工具接入（LSP / Git / Shell 原生）+ 持久化（Composer 记得住你上一轮改了哪些文件）。这就是为什么它能收钱。

第二，看它能不能跑长活、能不能并行。

两个灵魂拷问——

能不能让它跑一晚上不用管？（考 checkpoint / session 续命）
能不能让它同时干 5 件事？（考 many brains many hands）

反例：大多数"AI 客户端"回一句就停，第二天进来上下文全丢——这叫单次任务 AI，不叫 agent。

正例：Claude Managed Agents / Devin / Manus——你派一个活下午出门办事，回来结果已经 handoff 在那儿了。

第三，最反直觉——别买"赌模型做不到"的产品，买"赌接口"的产品。

任何靠"某个具体 prompt / 某个精心流程 / 某个 agent 模板"当卖点的产品，都是在赌模型做不到某件事。而模型每半年就让你输一次。

要买就买做接口的——MCP 兼容、模型可换、工具可换、沙箱可换。这种东西模型换几代它还在。

🌊

2026 年 AI 行业的看点，从"谁家大脑更聪明"，变成了"谁家的手更多、接口更稳"。

你现在在用的那个 AI 工具，接口齐几条？

把这篇转给那个还在花 99 块买套壳的朋友——不是嘲笑谁，是提醒你我自己——今天还在拿 AI 当聊天框的人，跟今天已经让 AI 替自己打卡的人，明年差距会很大。

聊天框的时代结束了。外壳的时代刚开。

以上，既然看到这里了，
如果觉得不错，随手点个赞、在看、转发三连吧，
如果想第一时间收到推送，也可以给我个星标⭐～
谢谢你看我的文章

你的关注是我持续更新的动力～