Claude Code爆火背后：Agent Harness底层逻辑深度解析
两年过去了，用大模型写代码早已从新鲜事变成常规操作。从简单的代码补全到解决 GitHub issue、从竞赛编程到仓库级软件工程，圈内习惯用一个直白指标评估 coding agent：代码写对没？测试跑了没？
但换个角度想想：Claude Code、Codex 这类系统正在把焦点推向更底层的维度。真正强大的 coding agent，核心能力远不止“写代码”。它必须在长时间窗里持续做这些事：读仓库、做计划、改文件、跑命令、看报错、修失败、维护上下文，并在多轮反馈中一步步推进任务。
这套让模型长期稳定“跑起来”的执行基础设施，就是 Agent Harness。过去聊 harness，重点常放在模型外面包什么东西上：工具、API、沙箱、记忆、权限边界、验证器、反馈循环。这些回答的是“一个可用的 Agent 需要哪些系统组件”。
但 UIUC、Meta 和斯坦福联合发布的这份 102 页综述，标题就叫《Code as Agent Harness》。它提出了一个更本质的问题：当 Agent 被投放到长期任务环境时，真正把推理、行动、反馈、验证和协作串联起来的操作对象是什么？
答案是：代码。
- 论文标题：Code as Agent Harness
- 论文：https://arxiv.org/pdf/2605.18747
- GitHub 仓库：https://github.com/YennNing/Awesome-Code-as-Agent-Harness-Papers
这里的代码，绝不只是模型最后产出的那一段程序，也不仅仅指 Agent 框架本身由代码写成。它代表的是 Agent 在 harness 内不断生成、运行、修改、保存和共享的一系列代码化中间产物：Plan.md、测试脚本、shell 指令、补丁(patch)、执行日志、工作流、技能库、仿真器、验证器，甚至包括仓库共享状态。
传统代码生成里，代码通常是模型的最终交付物；但在 Agent Harness 的语境下，代码进入整个执行循环，承载着计划、执行、反馈、验证和状态管理，正逐步演化为组织长期执行流程的核心媒介。
简而言之，这篇综述将代码定义为 Agent 系统中一种可执行、可检查、有状态的媒介，并围绕接口、机制、多 Agent 扩展三个层面展开深入探讨。
为什么 Harness 必须拿代码当核心载体？
一个纯粹的大语言模型，本质上没有状态。它能根据上下文生成后续文本，却不会自动记录任务进度，也无法维护外部世界的状态变化。Harness 的核心作用，就是把模型接入一个真实的执行环境中。
为什么非代码不可？因为代码具备自然语言无法企及的三大硬属性：可执行、可检查、有状态。
可执行，让模型的意图落地为真实操作。一份计划不再只是“我将修改文件”，而是能变成 shell command、patch 或测试脚本。可检查，意味着执行过程产生客观反馈。编译错误、运行时异常、测试结果、日志和跟踪记录(trace)，都向系统反馈当前状态，而非依赖模型自圆其说。有状态，确保任务进度能持久化。仓库、文件系统、配置、测试、提交历史(commit history)、技能库(skill library)都能记录 Agent 做了什么、在哪失败、下一步该从何继续。
因此，这份 survey 与一般 harness 综述的最大区别，不是罗列工具、记忆和沙箱，而是把代码置于中心位置：代码，是 harness 中最稳定、最可操作的状态载体。
代码如何打通 Harness 的接口？
综述的第一层，聚焦于 Harness Interface：代码如何成为模型与外部世界之间的桥梁。
首先，代码让推理变得可执行。过去模型依赖自然语言做 Chain-of-Thought 推理，文本推理难以验证。PoT、PAL 等方法将中间推理转化为程序，由解释器执行计算；Lean/Coq 相关工作更进一步，把推理变成机器可校验的证明过程。关键不在于“模型会写程序”，而在于推理本身被外部化为一个可执行对象。
其次，代码让行动得以真正落地。对于 Claude Code 或 Codex，行动不是一句“我会修复 bug”，而是实际修改文件、运行测试、分析报错、再生成补丁。机器人领域，SayCan、Code as Policies、Voyager 等案例展示了另一种形态：语言目标被转为技能调用、控制脚本或可复用函数。
第三，代码让环境可被建模。Agent 长期运行，必须感知环境状态。软件仓库、测试结果、执行日志、DOM tree、仿真器、数据分析脚本，都能成为 Agent 理解世界的结构化表示。SWE-bench、AgentBench 这些可执行评测环境正是基于此——任务不再是静态问答，而是在可执行环境中动态完成。
代码融入 Harness Interface 后，推理不再是纯文本，行动不再是口头承诺，环境也不再是静态描述。它们全部变成了可执行、可检查、可更新的状态。
Harness 如何用代码管理状态与反馈？
真实任务极少能一步到位。修复一个 bug，往往需要多次定位、修改、测试和回滚；操作网页系统，要跨多个页面和工具；做科学实验，得提出假设、运行模拟、分析数据，再根据结果调整下一步。
此时，关键不只在于模型更强，而在于 Agent 每一步能否被组织进一个可控的执行循环里。
Planning 不再只是模型脑内的计划，它能变成 Plan.md、工作流或可执行任务图。Memory 也不仅仅是“更大的上下文窗口”，而是决定哪些仓库证据、执行日志、失败经验、历史补丁该被保存、压缩或卸载到外部状态中。Tool use 也不只是 API 调用，而是通过终端、沙箱、测试框架、静态分析器等工具，去改变外部世界。
其中最核心的，是Plan-Execute-Verify 循环。计划划定操作范围，执行在沙箱或受限环境进行，验证依赖测试、linter、静态分析和运行日志。SWE-agent、OpenHands 这类系统之所以重要，不仅因为它们会调用工具，更因为它们把“写代码 — 运行 — 失败 — 修复”组织成可重复的状态转移过程。
成熟的 Agent，不会惧怕报错。报错、测试失败和执行日志，正是代码 harness 控制 Agent 行为、使其逐步收敛的反馈传感器。
多 Agent 协作时，代码就是共享基底
当任务复杂到单个 Agent 搞不定，多 Agent 协作自然成为方向。一个 Agent 当 manager，一个做 planner，一个写代码，一个写测试，一个做 reviewer。
但多 Agent 的真正难点，不是“多叫几个模型讨论”，而是它们如何共享同一个世界状态。
如果多个 Agent 只靠聊天记录协作，极易出现状态发散：每个 Agent 都觉得自己理解了当前进展，但代码到底被改成了什么样、测试失败在哪、哪些修改已生效，它们之间可能没有共同认知。
代码恰好提供了更稳定的共享基底。仓库、测试、PR、issue、CI log、review comment、执行 trace，都能成为多个 Agent 共同读写和验证的对象。真正的协作不是“互相说服”，而是围绕共享程序状态不断收敛。
多 Agent 系统的共同语言，不应只是自然语言对话，而应该是可执行的共享代码状态。
从 Claude Code 到机器人：代码正在演变为 Agent 的操作系统
Code as Agent Harness 这个思路先由 coding agent 凸显，并不意外。软件世界天然可执行、可测试、可回滚、可记录，是最适合 Agent 落地的样板间。
但这个趋势远不止于写代码。在 GUI/OS Agent 领域，网页和操作系统正被转化为可编程环境，DOM tree、accessibility tree、Playwright 脚本让界面操作变为可执行状态转移。在机器人领域，语言意图需转为技能库、控制脚本和仿真反馈，抽象目标只有落到可执行代码里，才能被物理约束校验。在科学发现中，假设、实验、模拟、数据分析和实验记录能组织成代码流水线，Agent 不只是生成想法，而是通过可执行 pipeline 推动发现进程。
因此，未来许多 Agent 不一定都叫 coding agent，但它们大概率会运行在某种 code-centric harness 之上。
模型像大脑，harness 像身体和神经系统；而代码，就是那个把大脑、身体、反馈和记忆连接起来的操作系统。
开放问题：下一代 Agent 不能只评测最终结果
当 Agent 变为长期执行系统，评测方式也必须跟着转变。过去的 benchmark 主要看最终结果：答案对不对、测试过没过、任务完成没。但对 code-harnessed agent，这远远不够。
举个例子：一个 Agent 可能最终通过了测试，但过程中大搞危险修改、污染共享状态，或引入隐藏的回归缺陷。另一个 Agent 可能没完成任务，但执行轨迹清晰、失败原因明确、状态可恢复。在真实部署环境里，后者未必更差。
论文因此抛出几个开放问题：如何做 harness-level evaluation，不只评估最终输出，也评估计划、工具调用、状态转移和反馈使用；如何处理不完整反馈(incomplete feedback)，测试通过不代表程序真正正确；如何实现无回归的自我进化(regression-free self-evolution)，避免 harness 在自我优化中引入新失败模式；如何解决多 Agent 共享状态中的语义冲突；以及如何将人机协同(human-in-the-loop)变成可记录、可追责、可验证的系统状态。
AI Agent 的下一步，不只是让模型更会回答，而是让整个代码化执行过程变得更可检查、更可恢复、更可治理。
过去，代码是模型的考题。
现在，代码正在成为 Agent 的操作系统。