大模型时代模型能力从实验室走向真实场景，真正考验的已经不只是参数、榜单和单点效果，而是企业是否具备面向未来模型能力设计产品、管理复杂上下文、连接工具系统、建立评测闭环，并在教育、翻译、办公、内容生产等真实场景中持续迭代的工程能力。

这也是理解网易有道 AI 转型的一个重要切口。过去几年，有道在大模型、多模态、语音、翻译和教育硬件等方向持续投入。但更关键的是，它正在把这些能力沉淀为一套面向应用落地的产品工程方法：模型是起点，但真正决定 AI 产品能否长期服务用户，向用户交付真实价值的关键同样包括模型之外的系统设计、场景理解和工程闭环。

近期，网易有道 CEO 围绕 Harness/Agent 分享了一组内部思考。他认为，Agent 核心是由 "Model + Harness" 共同构成 ; 模型负责思考，Harness 则负责让这种思考变得可理解、可协作、可复现、可长期运行和交付成果的系统。对于复杂 Agent 产品而言，模型可能只完成一部分工作，剩下支撑产品可靠运行的核心，恰恰来自上下文管理、工具调用、评测体系、权限治理和循环控制等工程能力。

关于 Harness/Agent 的讨论比较多，总体上大家共同的看法是：现在是通过 Harness 来做大模型创新应用的好时机，但是 Harness 和以往的应用开发范式有较大不同，需要用一些不同的方法，才能做出好的产品，沿用原有的思维方式可能事倍功半。

本文从行业分享和内部实战中总结了一些最佳实践，和大家探讨。

先界定一下概念。所谓 Harness ( 马具 / 载体 ) ，指的是模型之外、把模型包装成一个可用产品的那一整层工程：上下文管理、工具、记忆、持久化状态、评测、循环控制、可观测性与权限治理。

一个标准的说法是 Agent = Model + Harness：模型负责 " 思考 "，Harness 负责让这份思考变得可理解、可协作、可复现、可长期运行。长程 Agent 对 Harness 的依赖，超过它对任何单个模型的依赖。更强的模型并不会自动变成更可靠的 Agent 服务。简单来说，对于一个复杂的 Agent，模型也许只完成 20% 的工作，剩下 80%、让产品持续可靠工作的基础，是 Harness。

这正是标题 "Harness 即产品 " 的含义：在大模型应用里，团队真正在设计和迭代的产品，往往不是一个个具体的功能，而是这一整层 Harness 本身。

下面七点，是我看到的构建一个好的基于 Harness 产品的要点。

1. 面向下一代模型能力设计产品

很多团队一开始就犯一个错误：围着模型今天的能力优化和打磨，试图让功能更准、更快、更便宜，结果产品上线没多久就被新模型直接替换。

解决这一问题的一个办法，是做一定的超前定位：产品路线图不该只问模型今天能不能做，更要问 " 半年后如果模型在规划、工具使用和长上下文上再上一个台阶，我们如何抓住红利 "。

工程上，可以先用强模型跑出效果，再逐步尝试小模型替换 ; 业务上，则优先选择会随着模型智能提升而不断放大价值的场景，比如复杂决策场景、需要深度思考的功能、跨系统调度，或者需要深入专业知识的产品。

Claude Code 负责人 Boris Cherny 在 Lenny's Podcast 的访谈里把这件事讲得很清楚：Claude Code 一开始只是个小尝试，团队是在 " 赌模型半年后的能力 " ——他们刻意按 " 模型将会变成什么样 "、而不是 " 模型现在能做什么 " 来设计产品。

当时他的判断是，模型独立编程的能力正在快速上升，交互方式因此必须从以人为主的自动补全 ( auto-complete ) 转向以 Agent 为主：" 模型能做到很多还没有产品接住的事…… 我们其实不必再做 type-ahead 了，可以直接让 Agent 把所有代码都写出来。" 这个赌注在 2025 年 5 月 Opus 4 发布时兑现，产品随之取得巨大成功。

他给出的两条产品原则也值得思考：" 别试图把模型框死 " ( 少用僵硬的编排，多给工具和目标让模型自己想 ) ，以及 " 押注更通用的模型 " ——在模型一夜之间就能改变能力边界的领域里，能随模型一起变强的灵活方案，往往胜过为当下定制的脚手架。

2. 要做高智能产品

不是所有 AI 功能都值得投入。

一个简单的判断标准是：如果这个问题主要靠规则、搜索和模板就能解决，那它未必值得产品化 ; 如果它依赖模糊判断、跨文档理解、多步骤推理和人与系统之间的复杂协作，那它才更适合为之开发大模型产品。

一个考虑的角度，是 " 类比一个需要资深员工处理的复杂任务切片 "。如果你是产品负责人，最应该优先筛选的场景，不是流量最大，而是单次任务价值最高、判断复杂度最高、人工成本最贵的那些。这类场景虽然起步看起来更难，但一旦做通，用户会把它当真正的生产力工具，而不是新鲜一下的演示玩具。

换个角度说，任务切片越难、价值越高，模型单独能交付的比例就越低，当然最终能不能稳定上线，恰恰取决于 Harness 建得好不好，对模型能力的判断是否正确，但总的来说，把注意力集中在高智能产品方向上，是成功可能性更大的。

3. 有价值的 Agent 产品，往往消耗较多 tokens

很多团队的第一直觉是 " 把 token 用量压到最低 "，但对真正困难的任务来说，这往往是一上来就设定错了优化目标。对于高价值场景来说，token 消耗是创造价值的，因此在一定范围内是越多越好。所以这类场景里，正确的默认态度是舍得花——和上一点呼应，单次任务价值越高、判断越复杂，越不该在 token 上抠门。一个 Agent 任务跑下来，累计输入 token 在数十万到数百万之间，都是比较正常的。

因此 Harness 的一个重要任务，是让 token 的花费具有经济上的可核算性——能够统计和优化 token 的消耗，使得该花的地方花充分，不该花的地方足够节省。这个和公司的增长团队一定要量化计算 ROI 一样，是团队一个必要的基本功。

这里有一些重要的杠杆： 一是提示词的缓存，是团队要关注和优化的要点 ; 二是分层与路由——用强模型跑出比较好的效果后，把简单节点下放给小模型 ; 也可以用批处理 ( batch ) 的方式跑可异步的批量任务、必要时做上下文重置来进一步节省开销。注意，这些手段省的是无谓的浪费，在高价值环节应该放开手脚，放心大胆地花。

4. 把上下文工程当成主任务

上下文工程 ( context engineering ) ，目的是让模型在某一时刻究竟知道什么、不知道什么、记住什么、遗忘什么，而不是写更长、更巧妙的提示词。如果说 Harness 有一个心脏，那就是上下文管理：前面几点，最终都要落到管理上下文内容这个动作上，而不是简单地使用不断积累对话上下文的默认规则。至少要把上下文拆成几层：系统规则、当前任务、检索知识、用户历史、长期偏好、工具结果。不同层应该有不同的优先级、生命周期和压缩方式 ( 见下图 ) 。Anthropic 把上下文工程的目标概括成一句话：找到 " 能最大化达成目标的、最小的一组高信号 token"，因为上下文是一种边际收益递减的有限资源。

关于上下文工程的好文章不少，比如这篇：《Agent 全面爆发 ! 万字长文详解上下文工程》

5. 工具是给模型看的产品界面

Agent 调不好工具，往往不是模型不聪明，而是工具设计得不对。

现在国内外主流模型的 Agent 能力都已经较强，在绝大多数场景下都有有效地驱动设计良好的工具集合来工作，所以在上下文工程之后，工具的设计是团队应该聚焦的点。对于不熟悉这个方法的团队，这需要一次观念升级：你不只是写一个 API 给自己的前端或服务端调用，而是在设计一个 " 模型可消费的能力单元 "。如果工具过多、命名相似、参数含糊，模型就容易误选 ; 如果返回结果冗长且噪音大，还会进一步污染上下文。

比较实用的做法是：先收敛工具数量，把高频业务动作做成少数几个高信号、强约束的工具 ; 其次使用严格的 schema 和结构化输出，避免自由文本在节点之间传递错误指令 ; 最后为关键工具写清 " 什么时候该用、什么时候不该用、调用成功与失败分别长什么样 "。

Anthropic 在工具使用文档里也强调，影响调用效果最重要的因素之一，就是工具描述本身。不少一线实践也指向同一组做法：工具一旦超过二十来个，模型就容易在相似工具间选错 ( 比如把 " 订单查询 " 和 " 物流查询 " 搞混 ) ; 同时避免 " 瑞士军刀式 " 的多功能工具，改用单一职责、强 schema 的小工具，并在真正调用前先做参数校验、把错误直接 " 回吐 " 给模型修正。

6. 用评测驱动开发

做 Agent 比较容易掉入的一个坑是做出 " 差不多 " 能工作的产品，然后碰到问题反复手工调整，但是按下葫芦浮起瓢，陷入打地鼠的困境。这个时候，团队缺乏的就是量化的评测办法。一个真正可上线的 Agent，必须有细分任务级的、量化的评测体系。评测至少要覆盖四层：最终答案质量、工具调用正确率、流程完成率和安全样本通过率。更进一步来讲，还应该有边界样本、对抗样本和真实线上日志回灌。一定要把 " 凭感觉 " 换成 " 看数据 "。

从实操角度，Anthropic 的《Demystifying Evals for AI Agents》是目前最权威的 Harness/Agent 评测指南，同时也已经有多个开源的框架出现，大家可以选择参考和使用。

7. 默认从单 Agent 开始

多 Agent 很容易让人兴奋，因为看上去更像 " 组织协作 "。但很多有经验的团队都建议先把单 Agent 做到极致，只有当 prompt 逻辑过于复杂、工具集合拥挤、权限等级不同、任务目标天然分离时，再拆成多 Agent。

原因很简单：多 Agent 会带来 handoff、状态同步、权限分层、成本叠加和调试复杂度。拆对了，系统会更清晰 ; 拆错了，只会让问题在更多节点里来回传递。真正值得拆的，是那些边界清楚且目标不同的角色，比如 " 分诊—执行—质检 "" 检索—分析—操作 " 或者 " 客服—退款—物流 "。

这件事社区里有一场很有代表性的争论：Cognition ( Devin 背后的团队 ) 写过《Don't Build Multi-Agents》，主张默认就用单 Agent ——多个 Agent 之间很难共享完整上下文、容易决策冲突，对 " 写 " 类的强一致性任务 ( 比如写代码 ) 尤其脆弱 ; 而 Anthropic 在《How we built our multi-agent research system》里给出了反例：在 " 读 " 类的开放式研究任务上，主从式 ( orchestrator-worker ) 多智能体比单个 Claude Opus 4 高出 90.2%，但代价是 token 消耗约为普通对话的 15 倍。两边其实指向同一条分界线——任务偏 " 读 " 还是偏 " 写 "、能不能共享上下文，决定了该不该拆。

小结：你迭代的产品，就是 Harness

把这七点连起来看，它们其实是同一个工程的七个侧面：超前定位定方向、高智能场景定取舍、舍得花 token 求价值、上下文管理是心脏、工具是手、评测是免疫系统、循环编排是骨架。

模型会一代代变强，而且只会越来越强——但更强的模型不会自动变成更可靠的 Agent 服务，从 demo 到完整产品的鸿沟，始终要靠 Harness 来填。

所以做大模型应用，真正在持续设计、打磨、积累壁垒的，是这一整层 Harness。模型是可更换的引擎，Harness 才是你自己造的车。